首页/论文/1607.01752

arXiv 1607.017522016-07-06cs.HC

CrowdCafe -移动众包平台

CrowdCafe - Mobile Crowdsourcing Platform

Pavel Kucherbaev, Azad Abad, Stefano Tranquillini, Florian Daniel, Maurizio Marchese, Fabio Casati

备注：: Was published before as a part of the phd thesis by Pavel Kucherbaev http://eprints-phd.biblio.unitn.it/1716/

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

在本文中，我们提出了一个移动众包平台CrowdCafe，人们可以使用他们的智能手机执行微任务，而他们乘坐公共汽车，乘坐训练，排队或等待预约。执行这些微任务是为了换取当地商店提供的奖励，例如咖啡、甜点和公共汽车票。我们提出的概念，实施和评价进行了研究，有52名参与者，有1108个任务完成。

英文摘要：

In this paper we present a mobile crowdsourcing platform CrowdCafe, where people can perform microtasks using their smartphones while they ride a bus, travel by train, stand in a queue or wait for an appointment. These microtasks are executed in exchange for rewards provided by local stores, such as coffee, desserts and bus tickets. We present the concept, the implementation and the evaluation by conducting a study with 52 participants, having 1108 tasks completed.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

开发基于微服务的移动位置众包平台的经验教训

Lessons Learned from Developing a Microservice Based Mobile Location-Based Crowdsourcing Platform

基于移动位置的众包研究受到现实世界数据严重缺乏的阻碍。开发一个标准化的、轻量级的、易于部署的、模块化的、可组合的、最重要的是可扩展的实验框架将大大促进这类研究。方便的是，这些都是使用微服务方法开发的系统的显著特征。我们提出QRowdsource -MLBC实验框架使用分布式服务架构。在本文中，我们讨论了QRowdsource的设计和开发，从功能组件的分解到框架内服务的编排。我们还研究了使用微服务方法的优点和缺点如何转化为我们的特定用例，并在开发实验框架时仔细考虑了一些经验教训。

2019-09-09cs.HC

基于众包和深度学习的移动界面可触性建模

Modeling Mobile Interface Tappability Using Crowdsourcing and Deep Learning

点击是移动触摸屏界面中非常重要的手势，但人们仍然经常需要通过反复试验来了解哪些元素是可重复的。预测这种日常手势的人类行为可以帮助移动应用程序设计人员了解其应用程序可用性的一个重要方面，而无需进行用户研究。在本文中，我们提出了一种方法，在规模上的移动接口的可扩展性建模。我们使用众包对一组丰富的移动应用程序进行了大规模的界面可扩展性数据汇集，并通过计算研究了人们用来区分可扩展元素和不可扩展元素的各种意符。基于数据集，我们开发并训练了一个深度神经网络，该网络可以预测用户将界面元素感知为可扩展或不可扩展的可能性。使用经过训练的可扩展性模型，我们开发了TapShoe，这是一种工具，可以自动诊断人类用户所感知的每个元素的可扩展性（由我们的模型预测）与开发人员或设计人员指定的元素的预期或实际可扩展状态之间的不匹配。该模型在识别可识别的UI元素方面达到了合理的准确率：平均准确率为90.2%，召回率为87.0%。通过与7位专业交互设计师的非正式评估，设计师对可扩展性模型和TapShoe表示满意。

2019-02-28cs.HC

众包在智慧城市中的应用研究综述

A Survey on Crowdsourcing Applications in Smart Cities

随着物联网（IoT）的出现，人类生活正在以前所未有的速度向智能化迈进。因此，智慧城市在商业、教育、经济、医疗和城市地区等不同方面都实现了自动化。由于智能化需要不同城市维度的各种动态信息，移动众包在智能城市中变得越来越重要。本章系统地回顾了智慧城市使用移动众包进行数据采集的相关应用。为此，应用程序被分类为环境，城市生活和交通类别，然后详细研究。本次调查有助于从众包的角度了解智慧城市的现状，并讨论该领域未来的研究方向。

2022-04-07cs.HC

移动人群感知中的任务分配：现状与未来机遇

Task Allocation in Mobile Crowd Sensing: State of the Art and Future Opportunities

移动人群感知（MCS）是众包的特殊情况，它利用具有各种嵌入式传感器的智能手机和用户的移动性来感知城市中的各种现象。任务分配是MCS中的一个基本研究问题，它对MCS应用的效率和有效性至关重要。在本文中，我们特别关注MCS系统中的任务分配。我们首先介绍了MCS分配的独特功能相比，通用众包，然后提供了一个全面的审查多样化的问题制定和分配算法，以及未来的研究机会。

2018-08-05cs.HC

以相机为中心的移动众包应用的设计与评估

Design and Evaluation of Camera-Centric Mobile Crowdsourcing Applications

Saint Louis University（圣路易斯大学）；IBM Research（IBM研究院）；Temple University（天普大学）

本文通过设计三种标注要求不同的相机移动众包应用并进行用户研究，发现提高用户标注要求不会降低贡献或满意度，反而能收集更多高质量标注图像并提升图像检索性能。

2024-09-04cs.CVcs.HC

移动众包中的个性化分类器包围剪枝框架

Personalized Classifier Ensemble Pruning Framework for Mobile Crowdsourcing

University of Science and Technology of China（中国科学技术大学）

包围学习已经被广泛应用于移动应用程序，从环境感知到活动识别。集成学习的一个基本问题是分类精度和计算成本之间的权衡，这是集成修剪的目标。在众包过程中，集中式聚合器将集成学习模型发布给大量移动参与者进行任务评估或作为众包学习结果，而不同的参与者可能会寻求不同程度的准确性-成本权衡。然而，大多数现有的集成修剪方法只考虑这种权衡的一个相同水平。在这项研究中，我们提出了一个有效的合奏修剪框架，通过多目标优化个性化的准确性成本权衡。具体来说，对于常用的线性组合风格的权衡，我们提供了一个客观的混合优化，以进一步减少合奏候选人的数量。实验结果表明，我们的框架是高效的个性化集成修剪，并实现更好的修剪性能与目标混合优化相比，国家的最先进的方法。

2017-01-25cs.DCcs.HCcs.LG

更多相关论文收起更多论文

基于上下文感知的移动众包性能最大化分层在线学习

Context-Aware Hierarchical Online Learning for Performance Maximization in Mobile Crowdsourcing

TU Darmstadt（达姆施塔特工业大学）；Bilkent University（比尔肯特大学）；University of California Los Angeles（加利福尼亚大学洛杉矶分校）；University of Oxford（牛津大学）

在移动众包（MCS）中，移动用户完成外包的人工智能任务。MCS需要适当的任务分配策略，因为不同的工人可能在接受率和质量方面有不同的表现。任务分配是具有挑战性的，因为工人的表现（i）可能会波动，这取决于工人当前的个人背景和任务背景，（ii）不是先验已知的，而是必须随着时间的推移而学习。此外，学习上下文特定的工作者性能需要访问上下文信息，由于通信开销或隐私问题，上下文信息可能在中央实体处不可用。此外，评估工人的表现可能需要昂贵的质量评估。在本文中，我们提出了一个上下文感知的分层在线学习算法解决MCS的性能最大化的问题。在我们的算法中，本地控制器（LC）在移动终端的工人定期观察工人的上下文，她/他的决定接受或拒绝任务和完成任务的质量。基于这些观察，LC定期估计工人的特定于上下文的性能。然后，移动众包平台（MCSP）基于从LC接收的绩效估计来选择工作者。这种分层方法使LC能够学习特定于上下文的工作器性能，并且它使MCSP能够选择合适的工作器。此外，我们的算法在本地保留了工人上下文，并保持所需的质量评估的数量较低。我们证明了我们的算法收敛到最优的任务分配策略。此外，该算法优于简单的任务分配策略在实验中的基础上合成和真实的数据。

2018-11-08cs.HCcs.LGcs.SI

TruEyes：利用移动应用程序中的微任务对机器学习数据集进行众包标记

TruEyes: Utilizing Microtasks in Mobile Apps for Crowdsourced Labeling of Machine Learning Datasets

Center for Digital Technology and Management（数字技术与管理中心）；Technical University of Munich（慕尼黑工业大学）；Ludwig Maximilian University（路德维希-马克西米利安大学）；Bundeswehr University Munich（慕尼黑联邦国防军大学）

监督式机器学习在研究和工业中的应用越来越多，这增加了对标记数据集的需求。众包已经成为创建数据标签的流行方法。然而，处理大量任务会导致工人疲劳，对标签质量产生负面影响。为了解决这个问题，我们提出了TruEyes，一个协作众包系统，使微任务的移动应用程序用户的分布。TruEyes允许机器学习从业者发布标签任务，移动应用开发者整合任务广告进行货币化，用户标记数据而不是观看广告。为了评估该系统，我们进行了一项实验，有N=296名参与者。我们的研究结果表明，标记数据的质量与传统的众包方法相当，大多数用户更喜欢任务广告而不是传统广告。我们讨论了系统的扩展，并解决如何移动广告空间可以作为一种生产资源，在未来。

2022-09-29cs.AIcs.HCcs.SE

众包实时的病毒性疾病和害虫信息。一个发展中国家全国木薯病害监测的案例

Crowdsourcing real-time viral disease and pest information. A case of nation-wide cassava disease surveillance in a developing country

在大多数发展中国家，国家粮食篮子的很大一部分是靠小型自给农业系统维持的。这些系统面临的一个主要挑战是疾病和虫害袭击，这对依赖这些系统维持生计的小农户产生了毁灭性影响。任何拟议解决方案的一个关键组成部分是一个良好的疾病监测网络。然而，由于人力和财力资源有限，目前的监测工作无法提供足够的数据，以便在广阔的地理区域内切实有效地监测这类现象。与能够使用移动电话的农民群体进行众包提供了一个可行的选择，可以提供关于病毒性疾病和害虫发病率和严重程度的全年实时的【形】监测数据。本工作提出了一个移动特设监测系统，用于监测木薯病毒性疾病和害虫。我们目前的结果，在乌干达的试点，该系统被部署了76周。我们讨论的参与行为的人群与移动智能手机以及应用的几种激励措施的影响。

2019-08-09cs.CYcs.HCcs.SI

增强协作式移动众包中的工人招募：一种图神经网络信任评估方法

Enhancing Worker Recruitment in Collaborative Mobile Crowdsourcing: A Graph Neural Network Trust Evaluation Approach

School of Computer and Control Engineering, Yantai University（烟台大学计算机与控制工程学院）；Georgia State University（佐治亚州立大学）

针对协作式移动众包中的工人招募问题，提出基于图卷积神经网络的信任强化评估框架TREF，结合禁忌搜索算法与边缘计算实现分布式招募，在五个真实数据集上验证了其优于基线方法的性能。

2024-03-22cs.AIcs.HCcs.LG

Deep-Gap：基于成像时间序列和残差学习的众包供需缺口预测深度学习框架

Deep-Gap: A deep learning framework for forecasting crowdsourcing supply-demand gap based on imaging time series and residual learning

Qatar University（卡塔尔大学）

由于智能手机的广泛普及，移动众包变得更加容易，智能手机能够无缝收集并将所需数据推送到云服务。然而，移动众包的成功依赖于平衡的供应和需求，首先准确地预测空间和时间的供需差距，然后提供有效的激励措施，鼓励参与者的运动，以保持所需的平衡。在本文中，我们提出了Deep-Gap，这是一种基于残差学习的深度学习方法，用于预测在给定时间和空间内移动众包服务供给和需求之间的差距。该预测可以驱动激励模型实现地理上均衡的服务覆盖，以避免某些区域过度供应而其他区域供应不足的情况。这使得能够预测供需差距，并将众包服务提供者重新定向到目标地区。Deep-Gap依赖于历史供求时间序列数据以及可用的外部数据，如天气状况和日期类型（例如，工作日、周末、假日）。首先，我们使用Gramian角和场（GASF），Gramian角差场（GADF）和递归图（REC）将供需时间序列滚动编码为图像。然后，这些图像被用于训练深度卷积神经网络（CNN），以提取低级和高级特征，并预测众包服务差距。通过建立有外部数据和无外部数据两种供需缺口预测情景，进行了全面的比较研究。与最先进的方法相比，Deep-Gap在两种情况下的预测误差都最低。

2019-11-02cs.HCcs.LGcs.NI