AAAI 2017 Student Abstracts
智能個性化社會動員熟悉度建模
Modelling Familiarity for Intelligent Personalized Social Mobilization
新加坡南洋理工大學
Nanyang Technological University
【摘要】隨著互聯網和社交媒體的興起，社會動員已經成為普遍的做法，即通過眾包，為科學、社會和政治（Michelucci和Dickinson，2016）活動大規模動員人力。儘管取得了成功，但社會動員並非沒有侷限。擴散的局部陷阱以及依靠高度連接的個體動員遠方的人們等影響著社會動員的有效性（Rutherford et al.，2013）。此外，由於缺乏對人們對各種社會動員方法反應的實證研究，人工智能（AI）研究人員設計有效和高效的決策支持機制來幫助管理這種新興現象是一個重大挑戰（Yu et al.，2015; 2016 ）。
本文進行了大規模的實證研究，幫助人工智能研究團體在不同的人對社會動員方法的反應模式中建立個人差異基線。基於收集到的數據集，本文將進一步提出計算算法眾包（Yu et al.2016a）機制，利用經驗證據來提高社會動員的有效性和效率，實現超線性生產力（Sornette etal.2014）。在整個過程中，我們還將人為因素（例如，情緒（Lin et al.2015）、勸說（Tao et al.2011）、激勵（Lin et al.2015）和信任（Yu et al.2014b））納入計算模型中以使社會動員受益。
1 社會動員的實證研究
社會動員的研究在很大程度上取決於成功動員大規模參與的事例。儘管基於這種成功實例的實證研究可能會受到生存偏見的影響，但從這些研究中獲得的數據仍然可以揭示社會動員的重要方面。關鍵的研究問題之一是“來自不同背景的人如何回應各種社會動員方法？”這個問題的量化答案可以為未來的社會動員激勵機制的設計提供有用的見解。
2016年，Pokemon Go（http://www.pokemongo.com/）風靡全球，吸引了數百萬玩家。這個與社會動員的主要特徵相結合的遊戲，包括1）遊戲化，2）關鍵時間的激勵，3）人際交互，4）位置意識，是一個有用的和及時的例子，有可能支持大規模的經驗學習。由於新加坡多種族人口由中國人、印度人、馬來人和高加索人組成，因此研究將會捕捉到由於種族認同而導致的任何行為變化。因此，自2016年8月以來，我們開始了一項在線調查，研究不同背景的人如何應對基於Pokemon Go遊戲的包含上述4個特徵的社會動員方法。
調查由兩大部分組成：1）個人背景；2）社會動員的個體行為模式。在第一部分，參與者被問及他們的人口統計信息，並完成10個問題的五大人格測試（Matthews，Deary和Whiteman 2003）以及20個問題的情感性格測試。在第二部分中，參與者的行為模式例如參與的深度（如時間、精力和花費）、合作意願（例如參與者單獨或與他人玩遊戲的程度）、動機（例如參與的原因）以及在遊戲發行前收集的Pokemons的熟悉程度。到目前為止，已有300多人參加了調查。目前正在分析數據。據我們所知，這個數據集是關於不同的人對技術如何響應社會動員的第一個大規模研究。
2 建模熟悉度
為了讓人工智能驅動眾包與人類在決策圈中成功交互，對於AI推薦來說重要的是要考慮到人為因素。人力因素的某些方面（如平衡工作和休閒的需要）已被納入現有算法眾包中，以便更有效地進行社會動員（Yu et al.2014a）。在我們的論文工作中，我們把重點放在熟悉度上，這種熟悉度在協作活動中發揮著至關重要的作用。
熟悉度對人工接入的技術系統典型相互作用的影響可以分為三個階段（Toth，1996）。第一階段是圍繞獲取任務執行的基礎知識的“認知階段”。第二階段是人們轉向基於過程的行為表現的“關聯階段”。一個人對這個任務越熟悉，執行的速度就越快，所需的工作量就越少。第三階段是行動順利進行的“自治階段”，以最小的努力迅速執行。
在Pan等（2015）中，我們提出了一個基於這個三階段模型的人機交互中的熟悉度建模設計框架。它由三個要素組成：1）符號熟悉度，2）文化熟悉度，3）可操作的熟悉度。初步研究表明，較高的熟悉程度可以導致系統中的用戶表現更好，系統的感知有用性更高，用戶採用的可能性更高。
3 動態團隊合作
為了提高社會動員的效率，已經提出了算法眾包的方法，根據他們的績效記錄智能地分配任務給參與者，以在質量，及時性和成本之間進行權衡。現有的方法假設一個任務可以由一個人有效完成（Yu et al. 2013;2015）。即使在擁有複雜工作流程的眾包中，同樣的假設仍然成立（Tran-Thanh等，2015）。在本論文中，提出了一種新的眾包方法——CrowdAsm，放鬆了這個假設，並在處理複雜任務需要不同技能的人員進行協作時提供智能決策支持（Pan et al.2016）。
CrowdAsm使得在社會動員中動態形成隊伍。通過將人員動態組織到團隊中，同時考慮預算、人員的所需技能的可用性以及他們的跟蹤記錄，從而高效地完成目標任務，從而在協作眾包系統中進行高效的質量、時間、成本折衷。它最大限度地提高預期的成功率，減少預期的等待時間，並平衡預算。基於李雅普諾夫網絡優化框架，提出了一種新的{動員-效用}目標函數。這使CrowdAsm能夠通過分佈式計算實時生成解決方案。通過嚴格的理論分析，如果工作人員不偏離建議，CrowdAsm已被證明是漸近最優的。目前正在構建更逼真的多主體模擬來研究各種場景下的CrowdAsm。
4 未來的研究
到目前為止，已經完成了三個主要構建塊，這是為複雜任務提出智能個性化社會動員方法所需要的。儘管如此，為了使這種方法取得成果還有很多工作要做。具體而言，我們計劃進一步分析從調查研究收集的數據，建立人類對社會動員方法的反應的基線變化的計算模型，特別注意熟悉度的作用。然後，將導出的模型用於生成熟悉度與人類生產力的重要方面（例如，動機，合作意願，努力產出）之間的相互作用的計算模型。這種模式將被應用到逼真的模擬系統，以支持進一步的社會動員研究。目前，我們正在構建一個協作式眾包移動應用程序，涉及需要協作努力的任務（Yu et al。2016b）。我們將把未來的結果和發現納入這個平臺，以進行真實世界的評估。
論文下載鏈接：
https://aaai.org/ocs/index.php/AAAI/AAAI17/paper/view/14447/14012
閱讀更多 讀芯術 的文章
