XiaoMi-AI文件搜索系统
World File Search System众包
关于政府众包漏洞发现计划的事实表
奖励根据发现的漏洞的严重性，从250美元到5,000美元不等。为关键脆弱性提供了最高15万美元的特殊赏金，这些漏洞可能会对选定的系统和数据造成非凡的影响，从而强调了新加坡政府确保关键政府系统和宝贵个人数据的承诺。特别赏金针对领先技术公司的众包漏洞披露计划进行了基准测试。
160 一种可靠性感知的车辆众包感知系统...
准确地描绘路面上的坑洼不仅有助于消除安全相关顾虑并提高驾驶员的通勤效率，还可以减少交通机构不必要的维护成本。在本文中，我们提出了一种基于智能手机的系统，该系统能够精确估计坑洼的长度和深度，并介绍了坑洼数据收集、轮廓聚合以及坑洼警告和报告的整体设计。所提出的系统依靠车载智能手机的内置惯性传感器来估计坑洼轮廓，并警告驾驶员即将出现的坑洼。由于驾驶行为和车辆悬架系统的差异，构建此类系统的一个主要挑战是如何聚合来自多辆参与车辆的相互冲突的传感器报告。为了应对这一挑战，我们提出了一种新颖的可靠性感知数据聚合算法，称为可靠性自适应真相发现（RATD）。它推断每个数据源的可靠性并以无监督的方式聚合坑洼轮廓。我们的现场测试表明，所提出的系统可以有效地估计坑洼轮廓，并且与流行的数据聚合方法相比，RATD 算法显著提高了轮廓绘制的准确性。
在主观学习任务中捕获众包注释者的观点
监督分类在很大程度上取决于人类注释的数据集。然而，在诸如毒性分类之类的主观任务中，这些注释通常在评估者之间表现出较低的一致性。注释通常是通过采用多数投票来确定单个地面真相标签的方法来汇总的。在主观任务中，汇总标签将导致标签有偏见，并且会导致有偏见的模型，这些模型可以忽略次要意见。先前的研究已经阐明了标签聚合的陷阱，并引入了一些解决这个问题的实用方法。最近提出的多种注释模型，该模型可以预测每个注释者的个体标签，因此很容易受到样本很少的注释者的不良确定。此问题在众包数据集中加剧了。在这项工作中，我们为主观分类任务的文本（AART）提出了注释者意识表示表示。我们的方法涉及注释者的学习表示，允许探索注释行为。我们展示了我们对指标方法的改进，这些指标评估了限制单个注释者观点的绩效。在方面，我们证明了与Others相比，评估环境化注释者的模型公平性的公平指标。1
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
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。
一种基于质量和可靠性的移动众包感知参与者选择新方法
摘要 随着移动众包感知的出现，我们现在可以利用公民每天携带的智能手机的感知功能来收集有关城市和事件的信息和情报。寻找能够在所需数据类型方面满足感知任务的最佳众包感知参与者组，同时满足质量、时间和预算限制是一个复杂的问题。事实上，众包感知任务的时间限制和基于位置的性质，再加上参与者的流动性，使得参与者的选择任务成为一项艰巨的任务。在本文中，我们提出了一个全面实用的移动众包感知招募模型，该模型提供可靠性和基于质量的方法来选择最可靠的参与者组，能够为所需的传感数据提供尽可能最好的质量。在我们的模型中，我们采用基于群组的选择方法，其中一组参与者（聚集到站点）使用他们智能手机的综合功能协作完成感知任务。我们的模型是使用 MATLAB 实现的，并使用实际输入进行配置，例如基准传感器的质量得分、不同国家/地区使用最广泛的手机品牌以及与各种事件相关的传感数据类型。进行了广泛的测试，以研究各种参数对参与者选择的影响，并了解在实际 MCS 环境中部署此类过程时所涉及的妥协。获得的结果非常有希望，并为影响移动众包感知参与者选择过程的质量和可靠性的不同方面提供了重要的见解。
从工具到盗贼：通过众包隐喻来衡量和理解对AI的公众看法
图3。随着时间的推移，隐式感知得分的总体变化（顶部）。 阴影反映95％CI。 每个月（x轴），左y轴是平均温暖和能力，在[-1，1]范围内；正确的Y轴是按月按月拟人形态隐喻的百分比。 我们发现，随着时间的流逝，拟人化和温暖的隐喻在频率上的增加，而胜任的隐喻随着时间的流逝而减少。 具有统计学上显着的时间变化的主要隐喻（|𝑟|> 0。 3，𝑝<0。 05）（底部）。 每条线代表主要比喻的一个月患病率，该比喻是根据其拟人化的百分比（群集中拟人化的隐喻百分比）进行的。 我们发现拟人化的隐喻正在增加，而非拟人化隐喻随着时间的流逝而减少。 阴影反映了3个月的滚动平均值。随着时间的推移，隐式感知得分的总体变化（顶部）。阴影反映95％CI。每个月（x轴），左y轴是平均温暖和能力，在[-1，1]范围内；正确的Y轴是按月按月拟人形态隐喻的百分比。我们发现，随着时间的流逝，拟人化和温暖的隐喻在频率上的增加，而胜任的隐喻随着时间的流逝而减少。具有统计学上显着的时间变化的主要隐喻（|𝑟|> 0。3，𝑝<0。05）（底部）。每条线代表主要比喻的一个月患病率，该比喻是根据其拟人化的百分比（群集中拟人化的隐喻百分比）进行的。我们发现拟人化的隐喻正在增加，而非拟人化隐喻随着时间的流逝而减少。阴影反映了3个月的滚动平均值。
药物基因相互作用数据库 (DGIdb) 与开放众包努力的整合
1 华盛顿大学医学院医学系、肿瘤学分部，美国密苏里州圣路易斯 63110 2 华盛顿大学医学院麦克唐纳基因组研究所，美国密苏里州圣路易斯 63108 3 华盛顿大学医学院遗传学系，美国密苏里州圣路易斯 63110 4 华盛顿大学医学院 Siteman 癌症中心，美国密苏里州圣路易斯 63110 5 全国儿童医院史蒂夫和辛迪·拉斯穆森基因组医学研究所，美国俄亥俄州哥伦布 43215 6 俄亥俄州立大学医学院儿科系，美国俄亥俄州哥伦布 43210 * 通讯地址。电话：1-614-355-1645；传真：1-614-355-6833；电子邮件：Alex.Wagner@nationwidechildrens.org 也可以将信件寄给 Obi L. Griffith。电话：1-314-747-9248；传真：1-314-286-1810；电子邮件：obigriffith@wustl.edu 也可以将信件寄给 Malachi Griffith。电话：1-314-286-1274；传真：1-314-286-1810；电子邮件：mgriffit@wustl.edu
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。
用于普遍空气质量的众包感知物联网架构...
摘要：在城市或移动方案中对空气质量的普遍评估对于个人或全市范围的减少曝光行动设计和实施至关重要。部署监管等级和低成本固定和移动设备的高分辨率混合网络是开发此类知识的主要推动力，既可以作为主要信息来源，又是验证高分辨率空气质量预测模型。实时和个人暴露监测的能力也被认为是开拓体监测和未来预测医学方法的主要驱动力。利用化学感测，机器学习和物联网（IoT）专业知识的专业知识，我们开发了一种综合体系结构，能够满足这个具有挑战性的问题的要求。此处报告了有关设计，开发和验证程序的详细说明，以及两年验证工作的结果。