大型网络的高效众包探索：以因果归因网络为例

准确且高效地众包复杂、开放式的任务可能很困难，因为众包参与者往往偏好简短、重复的“微任务”。我们研究大型网络的众包，其中众包参与者通过微任务提供网络拓扑。众包可以探索多种类型的社会网络和信息网络，但我们聚焦于因果归因网络，这是一种表示因果关系的重要网络。我们在 Amazon Mechanical Turk (AMT) 上进行了实验，测试工作者如何提出并验证个体因果关系，并引入了一种让独立众包工作者探索大型网络的方法。该方法的核心——迭代路径精炼（Iterative Pathway Refinement）——是一种基于理论原理的、通过微任务实现高效探索的机制。我们使用合成网络对该方法进行了评估，并在 AMT 上应用它来提取一个大规模的因果归因网络，随后考察了该网络的结构，以及构建该网络的工作者的活动模式与效率。工作者的交互揭示了因果感知的重要特征，他们生成的网络数据能够增进我们对因果性及因果推断的理解。