利用元认知特征进行基于机器学习的一次性群体决策聚合
机器学习
2022-01-21 v1 人工智能
摘要
集体决策过程（如众包）的结果常依赖于聚合个体成员观点所采用的程序。流行的聚合方法（如多数决）往往无法产生最优结果，尤其在高度复杂任务中。依赖元认知信息的方法（如基于置信度的方法和“出人意料的受欢迎选项”）已在多种任务中显示出改进。然而，仍有大量案例无最优解。我们的目标是利用元认知信息并从中学习，以增强群体给出正确答案的能力。具体而言，我们提出两种不同的特征表示方案：（1）以响应为中心的特征表示（RCR），关注个体响应实例的特征；（2）以答案为中心的特征表示（ACR），关注各潜在答案的特征。利用这两种特征表示方案，我们训练机器学习（ML）模型，以预测响应及答案的正确性。训练后的模型作为基于ML的聚合方法的基础，与其他ML技术不同，其优势在于是一种“一次性”技术，独立于特定群体构成与个人记录，并可适应各类情境。为评估该方法，我们收集了不同任务的2490条响应，用于特征工程与ML模型训练。我们通过所提基于ML的聚合方法的性能测试了特征表示方案。结果显示，相较于标准基于规则的聚合方法，成功率提升了20%至35%。
引用
@article{arxiv.2201.08247,
title = {Exploiting Meta-Cognitive Features for a Machine-Learning-Based One-Shot Group-Decision Aggregation},
author = {Hilla Shinitzky and Yuval Shahar and Dan Avraham and Yizhak Vaisman and Yakir Tsizer and Yaniv Leedon},
journal= {arXiv preprint arXiv:2201.08247},
year = {2022}
}
备注
12 pages, 3 figures, 3 tables