論文の概要: Who will stay? Using Deep Learning to predict engagement of citizen scientists

• arxiv url: http://arxiv.org/abs/2204.14046v1
• Date: Thu, 28 Apr 2022 13:27:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-03 10:01:52.153128
• Title: Who will stay? Using Deep Learning to predict engagement of citizen scientists
• Title（参考訳）: 誰が残るの? 市民科学者のエンゲージメントを予測するためにDeep Learningを使う
• Authors: Alexander Semenov, Yixin Zhang, Marisa Ponti
• Abstract要約: 我々は,スウェーデンの海洋プロジェクトにおける市民科学者の関与を予測するために,ディープニューラルネットワークモデルを構築した。 結果に基づいて、将来のセッションでアノテータがアクティブになるかどうかを予測することができる。 私たちのモデルは、Deep Neural Networksの使用とボランティアアノテーションのシーケンスにあります。
• 参考スコア（独自算出の注目度）: 79.9502177222504
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Citizen science and machine learning should be considered for monitoring the coastal and ocean environment due to the scale of threats posed by climate change and the limited resources to fill knowledge gaps. Using data from the annotation activity of citizen scientists in a Swedish marine project, we constructed Deep Neural Network models to predict forthcoming engagement. We tested the models to identify patterns in annotation engagement. Based on the results, it is possible to predict whether an annotator will remain active in future sessions. Depending on the goals of individual citizen science projects, it may also be necessary to identify either those volunteers who will leave or those who will continue annotating. This can be predicted by varying the threshold for the prediction. The engagement metrics used to construct the models are based on time and activity and can be used to infer latent characteristics of volunteers and predict their task interest based on their activity patterns. They can estimate if volunteers can accomplish a given number of tasks in a certain amount of time, identify early on who is likely to become a top contributor or identify who is likely to quit and provide them with targeted interventions. The novelty of our predictive models lies in the use of Deep Neural Networks and the sequence of volunteer annotations. A limitation of our models is that they do not use embeddings constructed from user profiles as input data, as many recommender systems do. We expect that including user profiles would improve prediction performance.
• Abstract（参考訳）: 市民科学と機械学習は、気候変動による脅威の規模と知識ギャップを埋める限られた資源のため、沿岸環境と海洋環境の監視のために考慮すべきである。 スウェーデンの海洋プロジェクトにおいて市民科学者のアノテーション活動から得られたデータを用いて,今後の関与を予測するためにディープニューラルネットワークモデルを構築した。 アノテーションエンゲージメントのパターンを特定するために、モデルをテストしました。 結果に基づいて、今後のセッションでアノテーションタがアクティブになるかどうかを予測することができる。 個々の市民科学プロジェクトの目標によっては、出発するボランティアか、注釈を継続するボランティアのどちらかを特定する必要がある。 これは予測のしきい値を変化させることで予測できる。 モデルを構築するのに使用されるエンゲージメントメトリクスは、時間とアクティビティに基づいており、ボランティアの潜伏特性を推測し、アクティビティパターンに基づいてタスクの関心を予測できる。 ボランティアは、一定時間内に特定のタスク数を達成できるかどうかを見積もることができ、誰がトップコントリビュータになる可能性が高いか早期に特定したり、誰が辞めるかを特定して、ターゲットとした介入を提供することができる。 予測モデルの新規性は、Deep Neural Networksの使用とボランティアアノテーションのシーケンスにあります。 私たちのモデルの制限は、多くのレコメンダシステムのように、ユーザプロファイルから構築した埋め込みを入力データとして使用しないことです。 ユーザプロファイルを含めれば、予測パフォーマンスが向上すると思います。

関連論文リスト

• Can Language Models Use Forecasting Strategies? [14.332379032371612]
  実世界の出来事と関連する人間の予測の新たなデータセットを用いた実験について述べる。 モデルはまだ、未来に関する正確な予測に苦戦している。
  論文  参考訳（メタデータ） (2024-06-06T19:01:42Z)
• Predicting Long-horizon Futures by Conditioning on Geometry and Time [49.86180975196375]
  我々は,過去を前提とした将来のセンサ観測の課題を探求する。 マルチモーダリティを扱える画像拡散モデルの大規模事前学習を活用する。 我々は、屋内と屋外のシーンにまたがる多様なビデオのセットについて、ビデオ予測のためのベンチマークを作成する。
  論文  参考訳（メタデータ） (2024-04-17T16:56:31Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• Leveraging Language Foundation Models for Human Mobility Forecasting [8.422257363944295]
  時相パターンマイニングに言語基盤モデルを活用する新しいパイプラインを提案する。 我々は、あらゆる種類の情報を含む自然言語入力を直接予測タスクを実行する。 数値時間列を文に変換するために特定のプロンプトを導入し、既存の言語モデルを直接適用できるようにしている。
  論文  参考訳（メタデータ） (2022-09-11T01:15:16Z)
• What Should I Know? Using Meta-gradient Descent for Predictive Feature Discovery in a Single Stream of Experience [63.75363908696257]
  計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。 この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。 本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
  論文  参考訳（メタデータ） (2022-06-13T21:31:06Z)
• MAAD: A Model and Dataset for "Attended Awareness" in Driving [10.463152664328025]
  本研究では,環境に対する参加者の意識を推定するモデルを提案する。 我々のモデルはビデオ形式で入力シーン情報として捉え、ノイズの多い視線推定を行う。 我々は、運転シーンのビデオに出席する23人の被験者の24.5時間の視線シーケンスを含む、高精度な視線追跡装置で新しいデータセットをキャプチャした。
  論文  参考訳（メタデータ） (2021-10-16T16:36:10Z)
• Development of Human Motion Prediction Strategy using Inception Residual Block [1.0705399532413613]
  Inception Residual Block (IRB) を提案する。 我々の主な貢献は、事前に観測されたポーズと次の予測されたポーズの間に連続性を持つように、入力と開始ブロックの出力の間の残差接続を提案することである。 提案したアーキテクチャでは、人間のポーズに関する事前知識をよりよく学習し、論文で詳述したよりはるかに高い予測精度を達成する。
  論文  参考訳（メタデータ） (2021-08-09T12:49:48Z)

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。