研究如何在固定预算内通过在线算法在众包市场中进行任务分配,探讨了实现任务分配的几种算法及评估方案,并通过实验验证了算法的实用性。
Aug, 2015
本文针对众包在线决策的理论研究和建模问题进行了反思和讨论,并提出了相关算法来优化众包市场的各个方面,涉及众包、人工计算、算法、定价等关键词。
Aug, 2013
本文考虑众包任务分配中的可靠性问题,提出了一种基于置信传播和低秩矩阵逼近的算法来决定如何分配任务,并从工人的答案中推断出正确答案。比较了不同算法的表现,发现基于者非自适应的算法是最优的。此外,还强调了建立可靠的工人信誉系统对于完全运用自适应设计的潜力至关重要。
Oct, 2011
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
本研究着眼于在线任务分配问题,利用可重复利用的资源来解决类似于拼车,众包和招聘等实际应用中的问题,提出了一个在线算法,并对其进行了数值实验。
Mar, 2022
在在线劳动市场中,对于雇主的诚实和公正性方面,相对于线下雇主,工人们普遍认为在线雇主更为公正与诚实,但这个差距并不显著。
本文研究了众包系统的性能极限,并提出了有效的分配方案来满足附加要求,包括专业化工作、效率、任务分配和性能限制。在一个由非营利公司运行的众包平台的数据上进行了算法演示,并展示了与当前实践相比的显著改进。
Jan, 2016
在这项研究中,我们以团队形成中的冲突为问题,目标是根据个人的任务偏好和他们之间的冲突,将个体分配到任务中。我们使用依赖舍入方案作为主要工具箱,提供高效的近似算法。我们的框架非常灵活,可以模拟教育环境和人力资源管理中出现的许多不同的实际情况。我们在真实数据集上测试和部署我们的算法,并展示出我们的算法比自然基线找到的分配更好。在教育环境中,我们还展示了我们的分配比人工专家手动分配要好得多。在人力资源管理应用中,我们展示了我们的分配如何提高团队的多样性。最后,我们使用合成数据集证明我们的算法在实践中的可扩展性非常好。
Feb, 2024
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