南洋理工大学：智能个性化社会动员熟悉度建模

你和“懂AI”之间，只差了一篇论文

很多读者给芯君后台留言，说看多了相对简单的AI科普和AI方法论，想看点有深度、有厚度、有眼界……以及重口味的专业论文。

为此，在多位AI领域的专家学者的帮助下，我们解读翻译了一组顶会论文。每一篇论文翻译校对完成，芯君和编辑部的老师们都会一起笑到崩溃，当然有的论文我们看得抱头痛哭。

同学们现在看不看得懂没关系，但芯君敢保证，你终有一天会因此爱上一个AI的新世界。

这是读芯术解读的第41篇论文

AAAI 2017 Student Abstracts

智能个性化社会动员熟悉度建模

Modelling Familiarity for Intelligent Personalized Social Mobilization

新加坡南洋理工大学

Nanyang Technological University

【摘要】随着互联网和社交媒体的兴起，社会动员已经成为普遍的做法，即通过众包，为科学、社会和政治（Michelucci和Dickinson，2016）活动大规模动员人力。尽管取得了成功，但社会动员并非没有局限。扩散的局部陷阱以及依靠高度连接的个体动员远方的人们等影响着社会动员的有效性（Rutherford et al.，2013）。此外，由于缺乏对人们对各种社会动员方法反应的实证研究，人工智能（AI）研究人员设计有效和高效的决策支持机制来帮助管理这种新兴现象是一个重大挑战（Yu et al.，2015; 2016 ）。

本文进行了大规模的实证研究，帮助人工智能研究团体在不同的人对社会动员方法的反应模式中建立个人差异基线。基于收集到的数据集，本文将进一步提出计算算法众包（Yu et al.2016a）机制，利用经验证据来提高社会动员的有效性和效率，实现超线性生产力（Sornette etal.2014）。在整个过程中，我们还将人为因素（例如，情绪（Lin et al.2015）、劝说（Tao et al.2011）、激励（Lin et al.2015）和信任（Yu et al.2014b））纳入计算模型中以使社会动员受益。

1社会动员的实证研究

社会动员的研究在很大程度上取决于成功动员大规模参与的事例。尽管基于这种成功实例的实证研究可能会受到生存偏见的影响，但从这些研究中获得的数据仍然可以揭示社会动员的重要方面。关键的研究问题之一是“来自不同背景的人如何回应各种社会动员方法？”这个问题的量化答案可以为未来的社会动员激励机制的设计提供有用的见解。

调查由两大部分组成：1）个人背景；2）社会动员的个体行为模式。在第一部分，参与者被问及他们的人口统计信息，并完成10个问题的五大人格测试（Matthews，Deary和Whiteman 2003）以及20个问题的情感性格测试。在第二部分中，参与者的行为模式例如参与的深度（如时间、精力和花费）、合作意愿（例如参与者单独或与他人玩游戏的程度）、动机（例如参与的原因）以及在游戏发行前收集的Pokemons的熟悉程度。到目前为止，已有300多人参加了调查。目前正在分析数据。据我们所知，这个数据集是关于不同的人对技术如何响应社会动员的第一个大规模研究。

2建模熟悉度

为了让人工智能驱动众包与人类在决策圈中成功交互，对于AI推荐来说重要的是要考虑到人为因素。人力因素的某些方面（如平衡工作和休闲的需要）已被纳入现有算法众包中，以便更有效地进行社会动员（Yu et al.2014a）。在我们的论文工作中，我们把重点放在熟悉度上，这种熟悉度在协作活动中发挥着至关重要的作用。

熟悉度对人工接入的技术系统典型相互作用的影响可以分为三个阶段（Toth，1996）。第一阶段是围绕获取任务执行的基础知识的“认知阶段”。第二阶段是人们转向基于过程的行为表现的“关联阶段”。一个人对这个任务越熟悉，执行的速度就越快，所需的工作量就越少。第三阶段是行动顺利进行的“自治阶段”，以最小的努力迅速执行。

在Pan等（2015）中，我们提出了一个基于这个三阶段模型的人机交互中的熟悉度建模设计框架。它由三个要素组成：1）符号熟悉度，2）文化熟悉度，3）可操作的熟悉度。初步研究表明，较高的熟悉程度可以导致系统中的用户表现更好，系统的感知有用性更高，用户采用的可能性更高。

3动态团队合作

为了提高社会动员的效率，已经提出了算法众包的方法，根据他们的绩效记录智能地分配任务给参与者，以在质量，及时性和成本之间进行权衡。现有的方法假设一个任务可以由一个人有效完成（Yu et al. 2013;2015）。即使在拥有复杂工作流程的众包中，同样的假设仍然成立（Tran-Thanh等，2015）。在本论文中，提出了一种新的众包方法——CrowdAsm，放松了这个假设，并在处理复杂任务需要不同技能的人员进行协作时提供智能决策支持（Pan et al.2016）。

CrowdAsm使得在社会动员中动态形成队伍。通过将人员动态组织到团队中，同时考虑预算、人员的所需技能的可用性以及他们的跟踪记录，从而高效地完成目标任务，从而在协作众包系统中进行高效的质量、时间、成本折衷。它最大限度地提高预期的成功率，减少预期的等待时间，并平衡预算。基于李雅普诺夫网络优化框架，提出了一种新的目标函数。这使CrowdAsm能够通过分布式计算实时生成解决方案。通过严格的理论分析，如果工作人员不偏离建议，CrowdAsm已被证明是渐近最优的。目前正在构建更逼真的多主体模拟来研究各种场景下的CrowdAsm。

4未来的研究

到目前为止，已经完成了三个主要构建块，这是为复杂任务提出智能个性化社会动员方法所需要的。尽管如此，为了使这种方法取得成果还有很多工作要做。具体而言，我们计划进一步分析从调查研究收集的数据，建立人类对社会动员方法的反应的基线变化的计算模型，特别注意熟悉度的作用。然后，将导出的模型用于生成熟悉度与人类生产力的重要方面（例如，动机，合作意愿，努力产出）之间的相互作用的计算模型。这种模式将被应用到逼真的模拟系统，以支持进一步的社会动员研究。目前，我们正在构建一个协作式众包移动应用程序，涉及需要协作努力的任务（Yu et al。2016b）。我们将把未来的结果和发现纳入这个平台，以进行真实世界的评估。