Bibliographic record
Abstract
Η διδακτορική διατριβή τοποθετείται στον ευρύτερο επιστημονικό χώρο της κοινωνικής υπολογιστικής και συγκεκριμένα επικεντρώνεται στη μελέτη της μεθόδου των αγορών πληροφορίας. Οι αγορές πληροφορίας μπορούν να παρομοιαστούν με εικονικά χρηματιστήρια όπου σκοπός είναι η συνάθροιση της πληροφορίας που κατέχουν οι συμμετέχοντες και η απεικόνισή της στις τιμές συμβολαίων μελλοντικής εκπλήρωσης. Στα πλαίσια της διατριβής αναλύονται αγορές πληροφορίας που στοχεύουν στη συνάθροιση των προτιμήσεων των συμμετεχόντων. Καταρχήν αναπτύσσεται πρωτότυπο σύστημα που υλοποιεί τη μέθοδο των αγορών συνάθροισης προτιμήσεων των χρηστών. Το προτεινόμενο σύστημα ενσωματώνει απαιτήσεις που προέκυψαν τόσο από βιβλιογραφική ανασκόπηση όσο και από συνεντεύξεις με ενδιαφερόμενους χρήστες. Σκοπός του συστήματος που ονομάστηκε WIM (Web-based Information Market) αποτελεί η δυνατότητα εφαρμογής του σε σενάρια συνάθροισης προτιμήσεων. Στη συνέχεια πραγματοποιείται μέτρηση της επίδοσης των αγορών πληροφορίας όσον αφορά τη ποσότητα και τη ποιότητα του περιεχομένου που δημιουργούν οι χρήστες. Ορίζεται ο ρόλος του συντονιστή στις αγορές πληροφορίας και περιγράφονται τρεις διαδικασίες που μπορούν να διέπουν τη δημιουργική επίλυση προβλημάτων με αγορές. Έπειτα υποστηρίζεται θεωρητικά και επαληθεύεται πειραματικά η υπόθεση ότι ο ρόλος του συντονιστή επιδρά στη ποιότητα και τη ποσότητα του παραγόμενου περιεχομένου. Παράλληλα θεμελιώνεται η υπόθεση ότι οι αγορές πληροφορίας μπορούν να οδηγήσουν τους χρήστες σε περισσότερες και ποιοτικότερες ιδέες σε σχέση με άλλες μεθόδους ηλεκτρονικής παραγωγής ιδεών. Στα πλαίσια της διατριβής πραγματοποιείται εφαρμογή των αγορών πληροφορίας σε εταιρείες (SAP A.G.) και οργανισμούς (Laval Living Lab, πόλη της Βρέμης, Ευρωπαϊκή Κοινότητα) για την επίλυση πραγματικών προβλημάτων και ποιοτική μέτρηση της επίδοσής τους. Τέλος προτείνεται μια νέα προσέγγιση για τη βελτίωση της λειτουργίας συνάθροισης προτιμήσεων των αγορών πληροφορίας με έξυπνους πράκτορες λογισμικού. Η προσέγγιση αποσκοπεί στην επεξεργασία προτιμήσεων και αξιολογήσεων που εκφράζουν οι χρήστες σε συστήματα εκτός των αγορών πληροφορίας όπως για παράδειγμα κείμενα ή κλίμακες αξιολογήσεων. Οι πράκτορες λογισμικού χρησιμοποιούν αυτή τη πληροφορία για την εκτέλεση συναλλαγών στην αγορά. Η προσέγγιση επαληθεύεται πειραματικά μέσα από δύο εφαρμογές για την αξιολόγηση ταινιών κινηματογράφου με σκοπό τη πρόβλεψη των βραβείων Oscar και για τη πρόβλεψη του νικητή του παγκόσμιου κυπέλλου ποδοσφαίρου 2010.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.003 | 0.005 |
| Scholarly communication | 0.009 | 0.008 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.096 | 0.036 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".