本研究利用大规模的纵向数据集，研究了众包工作者在从事长时间的重复任务时的行为，发现他们的工作质量极其稳定，建立了一种预测工作者长期质量的方法。

Sep, 2016

本文通过两个众包平台问卷的数量和质量分析，揭示了受访者对付费众包平台的创意工作的看法和意见，并提出了该领域的一些共性障碍和完善建议。

Jan, 2020

本文介绍了一种参与者对众包项目提供劳动的经济模型，并提出了一种估计工人保留工资的新方法，然后将此模型用于 Amazon’s Mechanical Turk（AMT）的一组工人的研究中，该组工人的保留工资近似为对数正态分布，中位工资为每小时 1.38 美元，并在实验测试中解释了众包工人如何对激励做出有理反应。

Jan, 2010

本文研究如何在预算限制下，选择优质工人子集以达到最大准确性，并通过组合优化算法解决此问题，证明该算法能够有效地选择少数高质量工人，并在模拟和实际数据集上表现良好。

Feb, 2015

研究对众包工人支付等同于美国联邦最低工资的工资进行了广泛探讨。同时，收集高质量标注的研究建议使用需要工人先完成一定数量任务的资格考试。本文通过分析工人讨论和研究者的指导，发现工人需要完成约 2.25 个月的低报酬任务才能获得更好的报酬。通过对两个 NLP 任务进行资格考试和工作质量之间的相关性研究，本研究发现可以在减轻工人负担的前提下收集高质量的数据。

May, 2021

该论文研究了众包的研究，重点关注了众包研究的合适指定和机器学习研究对于研究监督所带来的独特挑战。该论文发现在确定众包工作是否属于人类研究对象方面存在两个挑战，同时呼吁实施相关政策以解决这些问题。

Jun, 2022

本文提出了一种名为 MONITOR 的方法，用来解决众包平台上不同质量的数据聚合问题。该方法通过估计贡献者的资质和行为来确定其贡献者资料，并利用数据信任理论来考虑其潜在不完美的特点，从而更好地聚合贡献者的数据。在真实数据上的实验表明，MONITOR 方法大大提高了聚合后的数据准确性。本文的贡献在于首次提出了一种模型，既考虑了贡献者的资质，也考虑了其行为，用于估计其贡献者资料。其次，还提出了一种根据估计的资料弱化和聚合结果的答案的方法。

Mar, 2023

本研究通过对七个众包平台进行跨平台内容分析，对 Mechanical Turk 和其他众包平台进行对比研究来加速众包领域的多元化研究和进展。

Oct, 2013

本文通过评估地理信息标注的大型语料库，探究不同数据集在代表人口统计学中的差异性和效果，并发现社交媒体数据在预测语言库存方面比网络数据更准确。

Apr, 2020

该研究使用排队理论分析实时众包的保留模型，提供了一种算法以实现成本最小化，并提出和分析了三种改进性能的技术：推送通知、共享保留池和预招聘，实验验证了这些技术的有效性。

Apr, 2012