Avoiding Information Leakage in the Formation of Crowdsourcing Teams via Extended Group Multirole Assignment Considering Fairness
Notice bibliographique
Résumé
The development of the Internet has led to the rapid development of a new business model called crowdsourcing. However, increasingly complex crowdsourcing tasks are difficult to be decomposed and decoupled by the performers in the actual execution. The crowdsourcing platform needs to provide a detailed task assignment method to solve this problem. At the same time, crowdsourcing tasks may involve user privacy, and protecting private information from being known by others also needs to be considered by the platform. While completing the crowdsourcing task, considering task fairness and team fairness to improve the reliability of task completion and the fairness perception of crowdsourcing members. Therefore, this article formalizes the crowdsourcing team assignment problem through Environments – Classes, Agents, Roles, Groups, Objects (E-CARGO) model. Introducing information security constraints to construct a new sub-model (GRAINS) to solve the crowdsourcing team assignment problem. On the premise of obtaining the optimal performance assignment, the two types of fairness are discussed, providing a new decision-making scheme for the crowdsourcing platform. Through large-scale random simulation experiments, it is proved that the model can improve task and team fairness while ensuring the overall performance of the task, and quantitatively analyze the partial performance for fairness sacrificed.
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 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 | 0,002 | 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».