西塞罗:多轮次,上下文论证以实现精确众包

大语言模型(LLM)的人机协作众包任务设计与质量控制软件工程师与开发者Amazon Mechanical Turk 工作者

确保高质量众包工作的传统方法未能在困难问题上实现高精度。聚合冗余答案通常在最难的问题上失败,因为多数人也会困惑。论证已被证明在缓解这些缺点方面是有效的。然而,现有的论证系统仅支持有限的交互,并向工人展示通用的证明,而不是针对其推理的特定上下文的论点。本文介绍了Cicero,这是一种新的工作流程,通过实时同步论证,让工人参与多轮上下文讨论,从而提高困难任务的众包精度。我们的实验表明,与仅在关系提取领域将平均个体工人精度提高6.8个百分点的先前论证系统相比,我们的工作流程实现了16.7个百分点的改进。此外,以前的论证方法不适用于有许多可能答案的任务;相比之下,Cicero在这种情况下表现良好,在Codenames领域将精度从66.7%提高到98.8%。

快捷操作

分享

分享当前页面

ios_share

https://hci.top/zh/papers/chi/7840/2019

广告推荐

学习 AI 编程到 CodeNow

一眼看懂

论文快照

fact_check
dataset
来源
CHI
calendar_month
年份
2019
emoji_events
奖项
未标记奖项
group
作者
4 位作者
sell
研究子方向
大语言模型(LLM)的人机协作、众包任务设计与质量控制
work
职业/产业
软件工程师与开发者、Amazon Mechanical Turk 工作者
article
内容状态
仅摘要
hub
相关论文
2 篇相关论文