Machine Learning for Detecting Bias in Productivity Perception
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 the digital age, people's self-perception of productivity tends to diverge from reality, with some overestimating and others underestimating their output. This study analyzed 30,000 behavioral and demographic records to predict such perception gaps. By establishing a threshold based on half a standard deviation in the perception gap, three categories were identified: Overestimators, Underestimators, and Accurate assessors. Class imbalances were addressed through Synthetic Minority Over-sampling Technique (SMOTE), and four classifiers-Logistic Regression, Random Forest, Light Gradient Boosting Machine (LightGBM), and XGBoost-were evaluated using macro and weighted Fl-scores. Logistic Regression achieved the best performance with a macro Fl-score of 0.35 and a weighted Fl-score of 0.50, outperforming more complex models while remaining interpretable. Feature importance identified job type and digital preferences for social media as the strongest predictors, with workers in the fields of finance, health, and IT, as well as frequent users of Instagram or TikTok, demonstrating overestimation rates, in particular. These findings highlight that internal behavioral characteristics, rather than external cues alone, drive productivity misperception and also propose interventions based on contexts of occupation and digital usage habits that could enhance productivity awareness as well as digital well-being.
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 | 0,004 | 0,002 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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