大规模网络的高效人群探索：因果归因案例

准确高效地众包复杂、开放性任务可能很困难，因为众包参与者倾向于选择简短的、重复性的“微任务”。我们研究通过网络提供网络拓扑结构的人群众包。人群可以探索多种类型的社会网络和信息网络，但我们专注于因果归因网络，这是一个表示因果关系的重要网络。我们在亚马逊土耳其机器人（AMT）上进行实验，测试工人们如何提出和验证单个因果关系，并引入一种让独立人群工作者探索大规模网络的方法。该方法的核心是迭代路径优化（Iterative Pathway Refinement），一种通过微任务进行高效探索的具有理论原则的机制。我们使用合成网络评估了该方法，并将其应用于AMT以提取大规模因果归因网络，然后调查了该网络的结构以及构建该网络的工人的活动模式和效率。工人交互揭示了因果感知的重要特征，他们生成的网络数据可以增进我们对因果关系和因果推理的理解。