Using Hierarchical Skills for Optimized Task Selection in Crowdsourcing
Utiliser les compétences hiérarchiques pour optimiser la sélection des tâches dans le crowdsourcing
Abstract
A large number of participative applications rely on a crowd to acquire and
process data. These participative applications are widely known as crowdsourcing
platforms, where amateur enthusiasts are involved in real scientific or commercial
projects that requesters have posted online. Most well-known commercial crowdsourcing
platforms are Amazon MTurk and Crowdflower. Participants there, select
and perform tasks, called microtasks and accept a micropayment in return. Common
challenges for such platforms are related to the quality of the required answers, the
expertise of the involved crowd, the ease of finding tasks and the respect of tasks’
deadlines. Related work focuses on modeling skills as keywords to improve quality
while in this work we formalize skills using a hierarchical structure, that can help
substituting tasks with similar skills and take advantage of the whole workforce.
With extensive synthetic and real datasets, we show a significant improvement in
quality when using a hierarchical structure of skills instead of pure keywords. We
also extend our work to study the impact of a participant’s choice given a list of tasks.
While our previous solution focused on improving an overall one-to-one matching
for tasks and participants, we also examine how participants can choose from a
ranked list of tasks. Selecting from an enormous list of tasks can be challenging,
time-consuming and affects the quality of answers to crowdsourcing platforms.
Existing related work concerning crowdsourcing uses neither a taxonomy nor
ranking methods to assist participants. We propose a new model that provides the
participant with a short list of tasks. This short list takes into account the diversity
of the participant’s skills and the task deadlines as well. Our extensive synthetic and
real experiments show that we can meet deadlines, get high-quality answers and
keep the interest of participants high while giving them a choice of well-selected tasks.
De nombreuses applications participatives, commerciales et académiques s’appuient
sur des volontaires (“la foule”) pour acquérir, désambiguiser et nettoyer des
données. Ces applications participatives sont largement connues sous le nom de
plates-formes de crowdsourcing où des amateurs peuvent participer à de véritables
projets scientifiques ou commerciaux. Ainsi, des demandeurs sous-traitent des tâches
en les proposant sur des plates-formes telles qu’Amazon MTurk ou Crowdflower.
Puis, des participants en ligne sélectionnent et exécutent ces tâches, appelés microtasks,
acceptant un micropaiement en retour. Ces plates-formes sont confrontées à
des défis tels qu’assurer la qualité des réponses acquises, aider les participants à
trouver des tâches pertinentes et intéressantes, tirer parti des compétences expertes
parmi la foule, respecter les délais des tâches et promouvoir les participants qui accomplissent
le plus de tâches. Cependant, la plupart des plates-formes ne modélisent
pas explicitement les compétences des participants, ou se basent simplement sur une
description en terme de mots-clés. Dans ce travail, nous proposons de formaliser les
compétences des participants au moyen d’une structure hiérarchique, une taxonomie,
qui permet naturellement de raisonner sur les compétences (détecter des compétences
équivalentes, substituer des participants, etc.). Nous montrons comment optimiser
la sélection de tâches au moyen de cette taxonomie. Par de nombreuses experiences
synthétiques et réelles, nous montrons qu’il existe une amélioration significative de
la qualité lorsque l’considère une structure hiérarchique de compétences au lieu de
mots-clés purs. Dans une seconde partie, nous étudions le problème du choix des
tâches par les participants. En effet, choisir parmi une interminable liste de tâches
possibles peut s’avérer difficile et prend beaucoup de temps, et s’avére avoir une
incidence sur la qualité des réponses. Nous proposons une méthode de réduction du
nombre de propositions. L’état de l’art n’utilise ni une taxonomie ni des méthodes de
classement. Nous proposons un nouveau modèle de classement qui tient compte de
la diversité des compétences du participant et l’urgence de la tâche. Des expériences
synthétiques et réelles montre que nous pouvons respecter les délais, obtenir des
réponses de haute qualité, garder l’intérêt des participants tout en leur donnant un
choix de tâches ciblé.
Domains
WebOrigin | Files produced by the author(s) |
---|
Loading...