Sprout:众包任务设计的群体赋能任务设计工具
众包任务设计与质量控制原型设计与用户测试HCI 研究员Amazon Mechanical Turk 工作者
虽然众包支持大规模数据收集,但确保高质量数据仍然是一个挑战。特别是,有效的任务设计几乎是每个众包成功案例的基础,但仍然难以实现。任务设计困难,因为它涉及一个昂贵的迭代过程:确定所需的工作输出类型,向工作者传达这一信息,观察工作者表现,理解模糊之处,修改指令,并重复这一过程直到输出令人满意。为了促进这一过程,我们提出了一个新颖的元工作流程,以及我们的开源工具Sprout,它实现了这一工作流程。Sprout通过以下方式改进任务设计:(1)从群体工作者中引出困惑点,(2)使请求者能够快速理解这些误解和整体问题空间,(3)指导请求者改进任务设计。我们报告了一项用户研究的结果,包含两个标注任务,表明请求者强烈偏好Sprout,并产生了比当前最佳实践(带有关工作者培训和测试工作流的指令)更高质量的指令。我们还为支持众包任务设计的未来工具提供了一系列设计建议。
研究问题 / 现实痛点
这篇论文在当前问题库中对应的问题线索。
当前问题库还没有收录这篇论文的问题与痛点。
- 80%
众包相似性判断用于终端用户诱导研究中的协议分析
UIST '18· 众包任务设计与质量控制 +2
- 75%
专家众包中不可分解的大任务的在线排序
CHI '18· 众包任务设计与质量控制
- 75%
CrowdSurfer:无缝集成众包反馈任务到日常网络浏览中
CHI '23· 众包任务设计与质量控制 +1
- 60%
Crowdlicit:一个用于进行分布式最终用户需求提取和识别研究的系统
CHI '19· 众包任务设计与质量控制 +1
- 60%
众包检测情感操控语言
CHI '20· AI 伦理、公平与问责 +1
- 60%
众包分层多标签文本注释的界面设计
CHI '23· 众包任务设计与质量控制 +1
- 60%
我们可以众包Tacton相似性感知和隐喻评价吗?
CHI '23· 振动反馈与皮肤刺激 +1
- 60%
推动公平的激励机制以激发有偿和无偿的众包贡献
CHI '25· 众包任务设计与质量控制 +1
- 60%
众包注释的可解释建模
IUI '19· 可解释人工智能(XAI) +1
基于研究子主题与职业分类的 Jaccard 相似度(≥60%)
快捷操作
一眼看懂
fact_check论文快照
dataset
来源
UIST
calendar_month
年份
2018
emoji_events
奖项
未标记奖项
group
作者
3 位作者
sell
研究子方向
众包任务设计与质量控制、原型设计与用户测试
work
职业/产业
HCI 研究员、Amazon Mechanical Turk 工作者
article
内容状态
仅摘要
hub
相关论文
9 篇相关论文