Quasi Group Role Assignment With Agent Satisfaction in Self-Service Spatiotemporal Crowdsourcing
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
Quasi group role assignment (QGRA) presents a novel social computing model designed to address the burgeoning domain of self-service spatiotemporal crowdsourcing (SSC), specifically for tackling the photographing to make money problem (PMMP). Nevertheless, the application of QGRA in practical scenarios encounters a significant bottleneck. QGRA provides optimal assignment strategies under conditions where both the number of crowdsourced tasks and workers remain stable. However, real-world crowdsourcing applications may necessitate the phased integration of new tasks. With the rapid increase in the number of tasks, a set of residual tasks inevitably exists that are difficult to complete. To maximize the completion of crowdsourced tasks, workers may be assigned low-yield or even unprofitable tasks. Given the reluctance of crowdsourcing workers to be overstretched for these tasks, along with the inherent characteristics of self-service crowdsourcing tasks, this can lead to the failure of the assignment scheme. To tackle the identified challenges, this article proposes the QGRA with agent satisfaction (QGRAAS) method. Initially, it sheds light on a creative satisfaction filtering algorithm (SFA), which is engineered to perform optimal task assignments while actively optimizing the profitability of crowdsourcing workers. This approach ensures the satisfaction of workers, thereby fostering their loyalty to the platform. Concurrently, in response to the phased changes in the crowdsourcing environment, this article incorporates the concept of bonus incentives. This aids decision-makers in achieving a tradeoff between the operational costs and task completion rates. The robustness and practicality of the proposed solutions are confirmed through simulation experiments.
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 | 0,000 | 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 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| 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 découle