論文の概要: Reputation Agent: Prompting Fair Reviews in Gig Markets
- arxiv url: http://arxiv.org/abs/2005.06022v1
- Date: Fri, 8 May 2020 01:56:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 12:08:18.427219
- Title: Reputation Agent: Prompting Fair Reviews in Gig Markets
- Title(参考訳): 評判のエージェント:ギグマーケットで公正なレビューを促す
- Authors: Carlos Toxtli, Angela Richmond-Fuller, Saiph Savage
- Abstract要約: Reputation Agentは、ギグマーケットの依頼者(従業員または顧客)からのより公正なレビューを促進する。
不公平なレビューは、要求者が労働者のコントロール外の要因を考えるときに作成され、ギグワーカーを悩ませることが知られている。
- 参考スコア(独自算出の注目度): 3.100029131772499
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Our study presents a new tool, Reputation Agent, to promote fairer reviews
from requesters (employers or customers) on gig markets. Unfair reviews,
created when requesters consider factors outside of a worker's control, are
known to plague gig workers and can result in lost job opportunities and even
termination from the marketplace. Our tool leverages machine learning to
implement an intelligent interface that: (1) uses deep learning to
automatically detect when an individual has included unfair factors into her
review (factors outside the worker's control per the policies of the market);
and (2) prompts the individual to reconsider her review if she has incorporated
unfair factors. To study the effectiveness of Reputation Agent, we conducted a
controlled experiment over different gig markets. Our experiment illustrates
that across markets, Reputation Agent, in contrast with traditional approaches,
motivates requesters to review gig workers' performance more fairly. We discuss
how tools that bring more transparency to employers about the policies of a gig
market can help build empathy thus resulting in reasoned discussions around
potential injustices towards workers generated by these interfaces. Our vision
is that with tools that promote truth and transparency we can bring fairer
treatment to gig workers.
- Abstract(参考訳): 本研究は,ギグマーケットにおける依頼者(従業員や顧客)の公正なレビューを促進するための新たなツールであるReputation Agentを提案する。
不公平なレビューは、要求者が労働者の支配外の要因を考慮すれば、ギグワーカーを苦しめることで知られ、仕事の機会を失い、市場から立ち去ることさえある。
本ツールは,機械学習を活用して知的インターフェースを実装している。(1) 個人が不公平な要因(市場の方針に応じた労働者の統制外の要素)をいつ含んでいるかを自動的に検出し,(2) 不公平な要因を取り入れた場合,再考を促す。
評価エージェントの有効性を検討するため,異なるギグ市場を対象とした制御実験を行った。
提案実験は,従来のアプローチとは対照的に,市場全体において,ギグワーカーのパフォーマンスをより公平にレビューするモチベーションを担っていることを示す。
我々は、ギグマーケットのポリシーに関する雇用者への透明性を高めるツールが、共感を構築するのにどう役立つかについて議論し、その結果、これらのインターフェースによって生成された労働者に対する潜在的な不正に関する合理的な議論につながった。
私たちのビジョンは、真実と透明性を促進するツールによって、ギグワーカーに公平な治療をもたらすことです。
関連論文リスト
- "Generate" the Future of Work through AI: Empirical Evidence from Online
Labor Markets [0.0]
生成AIは、仕事の未来を再構成する可能性がある。
この研究は、労働市場における生成AIの深い影響を探求する限られた実証リポジトリに寄与する。
論文 参考訳(メタデータ) (2023-08-09T19:45:00Z) - Do the Rewards Justify the Means? Measuring Trade-Offs Between Rewards
and Ethical Behavior in the MACHIAVELLI Benchmark [61.43264961005614]
我々は、50万以上のリッチで多様なシナリオを含む134個のChoose-Your-Own-Adventureゲームのベンチマークを開発する。
我々は、エージェントの傾向をパワー・シーキングと評価し、不使用を生じさせ、倫理的違反を犯す。
以上の結果から,エージェントは有能かつ道徳的に行動できることが示唆された。
論文 参考訳(メタデータ) (2023-04-06T17:59:03Z) - No more Reviewer #2: Subverting Automatic Paper-Reviewer Assignment
using Adversarial Learning [25.70062566419791]
この自動化は,逆学習を用いて操作可能であることを示す。
提案する攻撃は、与えられた論文に適応し、その課題を誤解させ、独自のレビュアーを選択する。
論文 参考訳(メタデータ) (2023-03-25T11:34:27Z) - Mastering the Unsupervised Reinforcement Learning Benchmark from Pixels [112.63440666617494]
強化学習アルゴリズムは成功するが、エージェントと環境の間の大量の相互作用を必要とする。
本稿では,教師なしモデルベースRLを用いてエージェントを事前学習する手法を提案する。
我々はReal-Word RLベンチマークにおいて、適応中の環境摂動に対する抵抗性を示唆し、堅牢な性能を示す。
論文 参考訳(メタデータ) (2022-09-24T14:22:29Z) - A Dataset on Malicious Paper Bidding in Peer Review [84.68308372858755]
悪意あるレビュアーは、紙の割り当てを非倫理的に操作するために戦略的に入札した。
この問題を緩和するための方法の作成と評価への重要な障害は、悪意ある紙入札に関する公開データの欠如である。
我々は、参加者に正直に、悪意的に入札するよう指示されたモックカンファレンス活動から収集された、新しいデータセットをリリースする。
論文 参考訳(メタデータ) (2022-06-24T20:23:33Z) - Explore and Control with Adversarial Surprise [78.41972292110967]
強化学習(Reinforcement Learning, RL)は、目標指向のポリシーを学習するためのフレームワークである。
本稿では,RLエージェントが経験した驚きの量と競合する2つのポリシーを相殺する対戦ゲームに基づく,新しい教師なしRL手法を提案する。
本手法は, 明確な相転移を示すことによって, 複雑なスキルの出現につながることを示す。
論文 参考訳(メタデータ) (2021-07-12T17:58:40Z) - PEBBLE: Feedback-Efficient Interactive Reinforcement Learning via
Relabeling Experience and Unsupervised Pre-training [94.87393610927812]
我々は、フィードバックと非政治学習の両方の長所を生かした、非政治的、インタラクティブな強化学習アルゴリズムを提案する。
提案手法は,従来ヒト・イン・ザ・ループ法で検討されていたよりも複雑度の高いタスクを学習可能であることを実証する。
論文 参考訳(メタデータ) (2021-06-09T14:10:50Z) - Making Paper Reviewing Robust to Bid Manipulation Attacks [44.34601846490532]
逸話的な証拠は、一部のレビュアーが「友人」あるいは「衝突する著者」による論文の入札を行ったことを示唆している。
我々は、そのような攻撃に対してより堅牢な、紙入札と割当てのための新しいアプローチを開発する。
より堅牢であることに加えて、論文レビューの課題の質は、現在の非ロバストな課題のアプローチに匹敵する。
論文 参考訳(メタデータ) (2021-02-09T21:24:16Z) - Self-Supervised Discovering of Interpretable Features for Reinforcement
Learning [40.52278913726904]
深層強化学習のための自己教師付き解釈可能なフレームワークを提案する。
タスク関連情報を強調するための細かな注意マスクを作成するために、自己教師型解釈ネットワーク(SSINet)が使用される。
Atari 2600とDuckietownは、自動運転車のシミュレータ環境として難易度の高い環境である。
論文 参考訳(メタデータ) (2020-03-16T08:26:17Z) - Studying the Effects of Cognitive Biases in Evaluation of Conversational
Agents [10.248512149493443]
我々は,77人のクラウドソース労働者を対象に,人間に会話エージェントのアウトプットを評価するよう依頼されたとき,認知バイアスの役割,特に偏見を抑えるための調査を行った。
2つの実験条件における評価の整合性の向上は、バイアスのアンカーの結果である可能性がある。
論文 参考訳(メタデータ) (2020-02-18T23:52:39Z) - Combating False Negatives in Adversarial Imitation Learning [67.99941805086154]
敵対的模倣学習では、エージェントエピソードと、所望の行動を表す専門家のデモンストレーションとを区別するために、判別器を訓練する。
訓練された方針がより成功することを学ぶと、負の例は専門家の例とますます似ている。
本研究では,偽陰性の影響を緩和し,BabyAI環境上で検証する手法を提案する。
論文 参考訳(メタデータ) (2020-02-02T14:56:39Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。