XiaoMi-AI文件搜索系统
World File Search Systemcrowdsourcing
众包神经科学
当我们在社交行为中感到联系或参与时，我们的大脑是否真的在正式、可量化的意义上“同步”？大多数研究都使用高度控制的任务和同质的受试者池来解决这个问题。为了采取更自然的方法，我们与艺术机构合作，众包神经科学数据：在 5 年的时间里，我们从数千名博物馆和节日游客那里收集了脑电图 (EEG) 数据，他们自愿参与 10 分钟的面对面互动。熟悉程度不同的两对参与者坐在互波机内——这是一种艺术神经反馈装置，可将每对 EEG 活动的实时相关性转化为光图案。由于此类参与者之间的 EEG 相关性容易受到噪声污染，在随后的离线分析中，我们使用虚部相干性和投射功率相关性计算了大脑间耦合，这两个同步指标在很大程度上不受瞬时噪声驱动相关性的影响。当将这些方法应用于具有最一致协议的两个记录数据子集时，我们发现配对的特质同理心、社交亲密度、参与度和社交行为（联合行动和眼神接触）一致地预测了他们的大脑活动同步的程度，最显著的是低 alpha（~7-10 Hz）和 beta（~20-22 Hz）振荡。这些发现支持这样一种观点，即在动态、自然的社交互动过程中，共同参与和联合行动会驱动耦合的神经活动和行为。据我们所知，这项工作首次证明了跨学科、现实世界、众包神经科学方法可能提供一种有前途的方法来收集与现实生活中面对面互动有关的大量丰富数据集。此外，它还展示了普通公众如何参与和参与实验室外的科学过程。博物馆、美术馆等机构或公众出于自我激励而积极参与的任何其他组织都可以帮助促进此类公民科学研究，并支持在科学控制的实验条件下收集大量数据集。为了进一步提高公众对实验室外实验方法的兴趣，本研究的数据和结果通过一个专门为公众量身定制的网站传播（wp.nyu.edu/mutualwavemachine）。
利用智能手机开展众包项目
a Hochschule für Technik Stuttgart，Schellingstr 24，70174 Stuttgart，德国 - (eberhard.guelch，shohrab.uddin)@hft-stuttgart.de b Imkerverein Waiblingen e.V.Waiblingen，德国 - bernhardwilli@web.de ICWG III/VII 关键词：花朵识别、蜂蜜产量网络门户、地理定位、无人机 摘要：Beesmart 项目旨在利用智能手机的众包方法推导出蜜蜂的地理定位产量目录。因此，核心问题是智能手机应用程序 (App2bee) 的设计以及花朵识别软件的设计，该软件使用智能手机的传感器信息和开花时间信息来识别和定位花朵。实施的花卉识别基于“最小视觉词袋”方法。分类准确率可达到约 60-70%，当然，这受花卉种类繁多的影响，也受图像拍摄方式以及图像质量和分辨率的影响。通过在触摸屏上应用先验简单的手动分割将图像焦点放在所讨论的花朵上，分类结果得到进一步改善。介绍了 App2Bee 的设计和功能，然后详细介绍了通信、数据库和 Web 门户组件。在项目的第二部分，使用固定翼无人机系统研究对蜜蜂很重要的较大花卉区域的分类，该系统配备两种不同类型的相机，即 RGB 数码相机和 NIR 数码相机。当然不可能识别单朵花，但可以证明，相同花朵的较大花田，例如红三叶草，可以用这种方法进行分类。利用现有数据，还可以对裸地、道路、低牧场、高牧场以及混合牧场进行分类。对于高牧场，可以自动识别花簇，如蓍草。1.简介
宏观任务众包中的人工智能可供性
摘要 众包具有巨大的潜力：例如，宏观任务众包可以为应对气候变化的工作做出贡献。宏观任务众包旨在利用群体智慧解决棘手问题等非平凡任务。然而，宏观任务众包需要大量劳动力，而且执行起来很复杂，这限制了它的效率、效果和用途。人工智能 (AI) 的技术进步可能会通过支持促进众包来克服这些限制。然而，要实现这一点，需要更好地理解 AI 在宏观任务众包促进方面的潜力。在这里，我们求助于舞蹈理论来发展这种理解。在宏观任务众包中，可供性帮助我们描述表征促进者和 AI 之间关系的行动可能性。我们遵循两阶段、自下而上的方法：初始开发阶段基于对学术文献的结构化分析。随后的验证和改进阶段包括两个观察到的宏观任务众包计划和六次专家访谈。从我们的分析中，我们得出了支持宏观任务众包中的 17 项促进活动的七种人工智能可供性。我们还确定了说明可供性的具体表现形式。我们的研究结果增加了学术界对宏观任务众包的理解，并推动了关于促进的讨论。此外，它们还帮助从业者确定将人工智能融入众包促进的潜在方法。这些结果可以提高促进活动的效率和宏观任务众包的有效性。
人工智能能帮助众包吗？基于理论的众包竞赛创意筛选模型
1 我们不使用 Berger 和 Packard 的基于潜在狄利克雷分析 (LDA) 的方法，因为它提取了最流行 (常见) 的主题 (维度)，例如词束。LDA 方法在新产品创意的背景下可能会出现问题，因为 LDA 可能会将新颖和独特的词归类为“错误”。成功的新产品创意往往是新颖或独特的 (Dahl and Moreau 2002；Toubia 2006)。在众包创意竞赛中，在创意级别而不是主题级别捕捉非典型性的指标可能更胜一筹，因为它不会筛选出这些新颖或独特的创意。
认知和系统神经科学中的众包
过去十年，系统和认知神经科学的研究呈指数级增长。系统神经科学专注于神经回路和系统的结构和功能，而认知神经科学则以认知背后的生物过程为中心。这两个学科使用的方法经常重叠（即行为测量）。这两个子学科使用的样本量通常由于所选方法涉及的时间、成本和侵入性以及目标人群的可用性而不足。例如，心理学研究的样本量中位数在 40 到 120 之间变化（Marszalek 等人 2011）。虽然这些数字可能足以检验一些假设，但它们通常动力不足（Button 等人 2013；开放科学合作 2015）。
基于众包的人机交互模型学习
涉及人类与自动化系统交互的任务变得越来越普遍。由于人类行为的不确定性以及由于人为因素而导致失败的可能性很高，这种集成系统应在必要时通过调整其行为做出智能反应。设计高效交互驱动系统的一种有前途的途径是混合主动范式。在这种情况下，本文提出了一种学习混合主动人机任务模型的方法。建立可靠模型的第一步是获取足够的数据。为此，我们开展了一项众包活动，并根据收集到的数据训练学习算法，以对人机任务进行建模并使用马尔可夫决策过程 (MDP) 优化监督策略。该模型考虑了人类操作员在交互过程中的行为以及机器人和任务的状态。一旦学习了这样的模型，就可以根据代表任务目标的标准优化监督策略。本文中的监督策略涉及机器人的运行模式。基于 MDP 模型的模拟表明，不确定性规划求解器可用于根据人机系统的状态调整机器人的模式。机器人运行模式的优化似乎能够提高团队的表现。因此，来自众包的数据集是一种有用的材料
REGROW：重新构想全球众包，实现更好的人机协作
众包工作者默默地推动了当今许多基于人工智能的产品的发展，一些在线平台通过便捷的劳动力市场提供大量数据标记和内容审核任务。HCI 社区越来越有兴趣研究当前模型中固有的以工人为中心的问题，并寻求未来可以实施的潜在改进。本次研讨会探讨了如何从重新构想的众包平台视角提供更公平、公正和有益的体验。这不仅包括工人，还包括平台，他们可以从更好的工人入职、技能开发和成长流程中受益。我们邀请有远见的人以各种形式就这一主题发表看法，以向 CHI 社区传播以工人为中心的研究和发展的意识。作为研讨会上互动构思工作的结果，我们阐明了以众包平台为中心的研究的未来方向路线图。最后，作为一个特定的兴趣领域，研讨会试图从全球南方国家的背景下研究众包工作，近年来，众包工作已成为一个重要但研究不足的众包市场。
REGROW：重新构想全球众包以实现更好的人机协作
芬兰奥卢 simo.hosio@oulu.fi 摘要 众包工作者默默地推动了当今许多基于人工智能的产品的发展，一些在线平台通过便捷的劳动力市场提供大量数据标记和内容审核任务。HCI 社区越来越有兴趣研究当前模型中固有的以工人为中心的问题，并寻求未来可以实施的潜在改进。本次研讨会探讨了如何从重新构想的众包平台视角提供更公平、公正和有益的体验。这不仅包括工人，还包括平台，他们可以从更好的工人入职、技能开发和成长流程中受益。我们邀请有远见的人以各种形式就此主题发表看法，以向 CHI 社区传播以工人为中心的研究和发展的意识。通过研讨会上的互动构思工作，我们明确了以众包平台为中心的研究未来方向路线图。最后，作为一个特定的兴趣领域，研讨会旨在研究
Electrosense+：利用物联网接收器进行众包无线电频谱解码
基于众包的 Web 频谱监测系统最近越来越受欢迎。然而，这些系统仅限于政府组织或电信提供商感兴趣的应用，并且仅提供有关频谱统计的汇总信息。结果是普通用户缺乏参与的兴趣，这限制了其广泛部署。我们提出了 Electrosense+，它解决了这一挑战，并使用低成本、嵌入式和软件定义的频谱物联网传感器创建了一个通用的开放频谱监测平台。Electrosense+ 允许用户远程解码无线电频谱的特定部分。它建立在其前身 Electrosense 的集中式架构之上，用于控制和监控频谱物联网传感器，但实现了实时和点对点通信系统，用于可扩展的频谱数据解码。我们提出了不同的机制来激励用户参与部署新传感器并使其在 Electrosense 网络中运行。作为对用户的奖励，我们提出了一种基于虚拟代币的激励会计系统，以鼓励参与者托管物联网传感器。我们介绍了新的 Electrosense+ 系统架构，并评估了其解码各种无线信号（包括 FM 无线电、AM 无线电、ADS-B、AIS、LTE 和 ACARS）的性能。
无人未来？生成式人工智能如何塑造人类众包的未来
摘要 生成式人工智能的快速发展有可能重塑组织创新，从而引发人们对人类解决方案在增强智能新时代的作用的不确定性。我们发起了一项众包挑战，重点关注可持续的循环经济商业机会，比较 GPT-4 和人类解决方案在生成新颖且有价值的解决方案方面的能力。挑战吸引了来自不同行业的全球各类解决方案。300 名评估员从 234 个人类和人工智能解决方案中随机选择了 13 个进行评估，共计 3,900 对评估员-解决方案对。我们的研究结果表明，尽管人工智能解决方案提供了更多的环境和财务价值（可能是由于倾向于与其训练中看到的核心模式保持一致），但人类的输出被评为更具创新性，包括新颖性分布右尾的极端结果。我们使用自然语言处理技术对丰富的解决方案文本进行分析，发现人类和人工智能响应在语义差异指标上存在相当大的重叠，但人类仍然表现出比人工智能更大的语言细微差别。这项研究阐明了人工智能在增强人类众包解决复杂组织问题方面的前景，并为可能采用综合人机人工智能方法解决创新问题奠定了基础。关键词：生成式人工智能、法学硕士、ChatGPT、创新、众包、创意生成、评估、新颖性、价值 我们感谢哈佛商学院研究员 Justin Ho、市场与组织研究项目 (PRIMO) 研究员 Stella Jia，他们支持该项目的数据分析，以及哈佛大学创新科学实验室 (LISH) 实验室经理 Kate Powell，她为研究协议提供了监督和协调。我们也感谢哈佛大学数据到可操作知识实验室和人机交互小组的反馈。我们使用 GPT-4 来辅助写作。所有错误都是我们自己的。