כתבה
arXiv cs.LG ·
המלצות לעובדים בתחרויות קראודסורסינג: גישה אלגוריתמית עם LLM
Guiding Worker Self-Selection in Crowdsourcing Contests: An LLM-Augmented Algorithmic Approach
מאמר חדש מציע גישה אלגוריתמית עם LLM להמלצות לעובדים בתחרויות קראודסורסינג. הגישה, שנקראת GRAF, משתמשת ב-LLM כדי לעצב אלגוריתם להמלצות לעובדים. המאמר מדגים את GRAF באמצעות ניסויים סינתטיים ומציע תרחישים עבור פלטפורמות קראודסורסינג.
תקציר מקורי באנגליתarXiv:2609.07749v1 Announce Type: new Abstract: Crowdsourcing platforms coordinate large pools of online workers who strategically choose which contests to enter and how much effort to invest. This self-selection can leave important contests with too few participants or too little effort, while workers may regret entering contests that leave them worse off than available alternatives. We study how platforms can recommend contests to workers using self-selection in Tullock contests (SSTC), a two-stage model in which workers first choose contests and then compete within them. We introduce GRAF, a greedy polynomial-time framework that constructs self-selection outcomes by ordering workers according to a score vector, with guarantees of zero worker regret and platform optimality in special cas
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית