Gathering and evaluating innovation ideas using crowdsourcing: Impact of the idea title and the description on the number of votes in each phase of a two‐phase crowdsourcing project
Notice bibliographique
Résumé
Abstract Organizations are using crowdsourcing to capture innovation knowledge from the crowd in the form of ideas and then using the crowd to evaluate those ideas using votes. In this paper, we investigate a crowdsourcing setting in which Canada solicited information from its citizens to develop a digital transformation strategy. Canada used a two‐phase approach. Phase 1 was used to determine which ideas had the largest number of crowd votes, whereas in Phase 2, the crowd voted on the 30 leading vote‐getting ideas to determine the three winning ideas. This research investigates the ability to use information from ideas to estimate the number of votes that the ideas generate. This approach could be used to estimate the number of ideas, before making information available to the crowd. The unstructured text information in the idea is structured by using target concept dictionaries, which are used to estimate the extent to which the dictionary words appear in the ideas (e.g., “globalism”) and are related to the number of votes. Using this approach, roughly 1% of the total words are used to explain roughly 60% of the variance in the votes. Further, we also find that the variables associated with Phase 1 votes are not the same variables associated with Phase 2 votes; that is, the decision‐making variables changed. Finally, we find that votes are statistically significantly related to the content in the idea titles and the idea statements.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,037 | 0,208 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».