本文从数据、模型、学习三个维度，全面回顾了13年来AI社区在众包学习领域的进展，着重提出了每个维度的一些有前途的蓝图，并探讨了过去研究的经验教训，旨在为新研究者提供指引，鼓励他们做出新的贡献。

Jun, 2022

本文介绍了一个混合预测市场原型，并展示了它为有意义的人工智能协作提供的途径。我们以前提出的人工预测市场作为新的机器学习算法进行建设。通过将人类参与者与机器人交易者嵌入到这些市场中，我们可以汇集两者的见解。本文详细介绍了用于预测复制研究结果的混合市场模型的试点研究，强调了挑战和机会，并分享了与混合市场参与者进行的半结构化访谈的见解，并概述了未来的工作愿景。

Mar, 2023

本文研究LLMs对众包工人的影响，通过对在Amazon Mechanical Turk上运行的一个摘要任务，发现33-46%的众包工人使用了LLMs，因此需要找到新的方法确保数据来源于人类本身。

Jun, 2023

本研究论文探讨了将大型语言模型应用于众包工作流程中的可行性，并提出了一种针对不同利益相关者的新工作流程设计模式。

Jul, 2023

人工智能在金融领域的应用历史悠久，而在创业领域的潜力则是最近才被广泛探索的。本研究通过文献计量分析探讨了人工智能在创业金融和企业金融领域的应用，并展示了知识领域的概念、智力和社会结构，指出了尚未充分开发的研究方向。结果显示，在几乎所有的识别的主题领域中，人工神经网络、深度神经网络和支持向量机得以广泛应用，而主题建模、模糊神经网络和分层自组织映射则较少使用。此外，本文还探讨了计算机科学和经济学之间的某些差距，并介绍了蒙特卡洛随机算法的基本范式和具体示例，以解决这一问题。

Nov, 2023

利用机器学习模型预测中国的P2P借贷平台的失败，通过筛选方法和包装方法，建立了一个严格而实用的预测平台失败的变量的程序。研究确定了一组在不同选择方法和模型中一致出现在特征子集中的可靠变量，表明它们在预测平台失败方面的可靠性和相关性。本研究的发现对于在中国P2P借贷行业中进行监管的机构和投资者具有重要的实际意义。

Nov, 2023

通过扩大和丰富数据源以及特征数量，利用机器学习模型对创业公司的公开数据进行预测，可较准确地预测公司是否能在未来一定时间内筹集到资金。

Dec, 2023

本研究在未开发的慈善众筹领域展示了主题建模的实用性，通过使用文本分析和潜在主题挖掘，从慈善活动描述中提取潜在主题，并利用这些主题和数值参数预测活动的成功与否。

Jan, 2024

该研究通过利用大型语言模型（LLMs）在创业投资（VC）决策中的应用，探讨了基于创始人特征来预测创业公司成功的方法。利用链式思考等LLM提示技术，从有限数据中生成特征，通过统计和机器学习挖掘洞见。我们的结果揭示了某些创始人特征和成功之间的潜在关系，并证明了这些特征在预测中的有效性。该框架将机器学习技术和LLMs相结合，对于提高创业公司成功预测有巨大潜力，并对寻求优化投资策略的VC公司具有重要意义。

Jul, 2024

本研究解决了投资者在初创企业投资中面临的成功预测问题。我们提出了一种独特的融合大型语言模型，通过分析初创企业在风投资本平台上的自我描述，来提高成功预测的准确性。研究表明，文本描述在成功预测中起到了显著作用，为投资者提供了一种支持决策的工具。

Sep, 2024