在 MTurk 上部署鲁棒主动偏好启发算法：面向 COVID-19 患者优先级排序的实验设计、界面与评估
人机交互
2023-11-08 v2 人工智能
摘要
偏好启发利用 AI 或优化来学习从营销到公共政策等场景中的利益相关者偏好。arXiv:2003.01899 的在线鲁棒偏好启发过程已在仿真中表明，在有效学习个体真实效用方面优于多种其他启发过程。然而，与任何仿真一样，该方法做出了一系列难以验证在仿真之外亦成立的假设。因此，我们提议使用真实用户来验证鲁棒方法的性能，聚焦于在大流行期间为稀缺医院资源优先安排 COVID-19 患者选择政策这一特定挑战。为此，我们开发了一个在线偏好启发平台，用户在特定启发过程所选的适量成对比较中报告其偏好。我们招募了 193 名 Amazon Mechanical Turk（MTurk）工作者报告其偏好，并证明在推荐具有更高效用的政策方面，鲁棒方法比随机查询高出 21%，而随机查询是 arXiv:2003.01899 仿真结果中表现次优的方法。
引用
@article{arxiv.2306.04061,
title = {Deploying a Robust Active Preference Elicitation Algorithm on MTurk: Experiment Design, Interface, and Evaluation for COVID-19 Patient Prioritization},
author = {Caroline M. Johnston and Patrick Vossler and Simon Blessenohl and Phebe Vayanos},
journal= {arXiv preprint arXiv:2306.04061},
year = {2023}
}
备注
10 pages, 5 figures, 1 table