Joint vs. Separate Crowdsourcing Contests
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In a crowdsourcing contest, innovation is outsourced by a firm to an open crowd that competes in generating innovative solutions. Given that the projects typically consist of multiple attributes, how should the firm optimally design a crowdsourcing contest for such a project? We consider two alternative mechanisms. One is a joint contest, where the best solution is chosen from the joint solutions across attributes submitted by all contestants. The other is multiple separate parallel subcontests, with each dedicated to one attribute of the project. It is intuitive that the separate contest has the advantage of potentially creating a “cooperative” final solution contributed by different contestants. However, somewhat surprisingly, we show that the separate contest may reduce the incentive for the crowd to exert effort, resulting in the joint contest becoming the optimal scheme. The comparison of the expected best performances in the two contests depends on the project’s characteristics. For example, if contestants’ performances have a sufficiently high (respectively, low) level of randomness, the separate (respectively, joint) contest is optimal. If the number of contestants is large (respectively, small) enough, the separate (respectively, joint) contest is optimal. Moreover, we find that when the prize is endogenized, the optimal amount of the prize in the joint contest is no less than that in the separate contest. Finally, we extend the model to account for contestants with heterogeneous types. This paper was accepted by Gad Allon, operations management.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle