Maschinelles Lernen im mobilen Crowdsourcing: Ein verhaltensbasiertes Rekrutierungsmodell

Mit dem Aufkommen von mobilen Crowdsourcing (MCS) Systemen und deren Anwendungen gewinnt die Auswahl der richtigen Crowd zunehmende Bedeutung. Die zunehmende Variabilität im Kontext von MCS-Aufgaben macht die Auswahl nicht nur fähiger, sondern auch williger Arbeiter entscheidend für eine hohe Aufgabenabschlussrate. Die meisten bestehenden MCS-Auswahlrahmen stützen sich hauptsächlich auf reputationsbasierte Rückmeldemechanismen, um das Engagement potenzieller Arbeiter zu bewerten. Solche Rahmen wählen Arbeiter mit hohen Reputationswerten aus, jedoch ohne jegliches Kontextbewusstsein der Arbeiter zum Zeitpunkt der Auswahl oder der Aufgabe. Dies kann zu einer unfairen Auswahl von Arbeitern führen, die die Aufgabe nicht ausführen. Daher gibt die Reputation allein nur eine Annäherung an das Verhalten der Arbeiter, da sie davon ausgeht, dass Arbeiter immer konsistent unabhängig vom situativen Kontext handeln. Allerdings, basierend auf dem Konzept der situationsübergreifenden Konsistenz, bei dem Menschen dazu neigen, in ähnlichen Situationen ähnliches Verhalten zu zeigen und in unterschiedlichen Situationen anders zu handeln, schlägt dieses Werk ein neuartiges Rekrutierungssystem im MCS vor, das auf Verhaltensprofiling basiert. Der vorgeschlagene Ansatz nutzt maschinelles Lernen, um die Wahrscheinlichkeit vorherzusagen, dass die Arbeiter eine gegebene Aufgabe ausführen, basierend auf ihren gelernten Verhaltensmodellen. Anschließend verwendet ein gruppenbasiertes Auswahlmechanismus, der auf dem genetischen Algorithmus basiert, diese Verhaltensmodelle in Ergänzung zu einem reputationsbasierten Modell, um eine Gruppe von Arbeitern zu rekrutieren, die die Qualität der Rekrutierung der Aufgaben maximiert. Simulationen, die auf einem realen Datensatz basieren, zeigen, dass die Berücksichtigung menschlichen Verhaltens in unterschiedlichen Situationen die Qualität der Rekrutierung verbessert, die durch die Aufgaben erreicht wird, und das Vertrauen in den Abschluss im Vergleich zu einem Benchmark, der sich ausschließlich auf Reputation stützt.