論文の概要: Guiding Worker Self-Selection in Crowdsourcing Contests: An LLM-Augmented Algorithmic Approach

• arxiv url: http://arxiv.org/abs/2609.07749v1
• Date: Mon, 07 Sep 2026 16:51:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.486229
• Title: Guiding Worker Self-Selection in Crowdsourcing Contests: An LLM-Augmented Algorithmic Approach
• Title（参考訳）: クラウドソーシングコンテストにおける労働者の自己選択の指導--LLMによるアルゴリズムアプローチ
• Abstract要約: クラウドソーシングプラットフォームは、どのコンテストに参加するか、投資する労力を戦略的に選ぶオンラインワーカーの大きなプールを調整します。 この自己選択は、参加者が少なすぎるか、少ない労力で重要なコンテストを残せるが、労働者は利用可能な選択肢よりも悪いコンテストに参加することを後悔するかもしれない。 本研究では,Tullock contests (SSTC) における自己選択型コンテスト(自己選択型コンテスト)を用いて,労働者が最初にコンテストを選択してその内部で競技を行うための2段階モデルを提案する。 スコアベクターに従って作業員を順序付けすることで自己選択結果を構築するグレディタイムフレームワークであるGRAFを紹介する。
• 参考スコア（独自算出の注目度）: 14.39252257430658
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Crowdsourcing platforms coordinate large pools of online workers who strategically choose which contests to enter and how much effort to invest. This self-selection can leave important contests with too few participants or too little effort, while workers may regret entering contests that leave them worse off than available alternatives. We study how platforms can recommend contests to workers using self-selection in Tullock contests (SSTC), a two-stage model in which workers first choose contests and then compete within them. We introduce GRAF, a greedy polynomial-time framework that constructs self-selection outcomes by ordering workers according to a score vector, with guarantees of zero worker regret and platform optimality in special cases of SSTC. Because effective orderings are difficult to design under worker heterogeneity, we propose LLMScore, an LLM-driven evolutionary framework that automatically designs GRAF's scoring algorithm. LLMScore addresses two challenges: jointly optimizing platform utility and worker satisfaction, and evaluating worker regret when exact computation is intractable. Trained only on small instances of one setting, it transfers to larger and structurally different settings; moreover, its output is human-readable code that platform operators can inspect and modify. Across 1,000 synthetic instances spanning four settings, GRAF with LLMScore consistently achieves high-quality, often near-optimal, outcomes with low worker regret, benefiting both platforms and workers.
• Abstract（参考訳）: クラウドソーシングプラットフォームは、どのコンテストに参加するか、投資する労力を戦略的に選ぶオンラインワーカーの大きなプールを調整します。 この自己選択は、参加者が少なすぎるか、少ない労力で重要なコンテストを残せるが、労働者は利用可能な選択肢よりも悪いコンテストに参加することを後悔するかもしれない。 本研究では,Tullock contests (SSTC) における自己選択型コンテスト(自己選択型コンテスト)を用いて,労働者が最初にコンテストを選択してその内部で競技を行うための2段階モデルを提案する。 本稿では、スコアベクトルに従って労働者を順序付けすることで自己選択結果を構築する、強欲な多項式時間フレームワークGRAFを紹介し、SSTCの特殊な場合において、労働者の後悔やプラットフォーム最適性を保証する。 実効順序付けは作業者の異種性の下では設計が困難であるため,GRAFのスコアリングアルゴリズムを自動設計するLLM駆動の進化的フレームワークであるLLMScoreを提案する。 LLMScoreは2つの課題に対処する。プラットフォームのユーティリティとワーカー満足度を共同最適化する。 1つの設定の小さなインスタンスでのみトレーニングされ、大きくて構造的に異なる設定に転送される。 4つの設定にまたがる1,000以上の合成インスタンスに対して、GRAF with LLMScoreは、常に高品質で、しばしばほぼ最適で、労働者の後悔が低い結果を実現し、プラットフォームとワーカーの両方に利益をもたらす。

関連論文リスト

• Learning to Refine: Self-Refinement of Parallel Reasoning in LLMs [102.48588475875749]
  本稿では,新しい並列テスト時間スケーリングフレームワークであるGenerative Self-Refinement (GSR)を紹介する。 GSRは一連の候補応答を並列に生成し、その後自己精製を行い、新しい優れた解を合成する。 提案手法は,5つの数学ベンチマークにおいて,最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-08-27T06:51:48Z)
• LiveCodeBench Pro: How Do Olympiad Medalists Judge LLMs in Competitive Programming? [88.29001498765629]
  大規模言語モデル(LLM)は、競争力のあるプログラミングにおいてエリート人間より優れています。 我々はこの主張を再考し、LLMが人間の専門家とどのように異なるのか、そしてまだ限界が残っているのかを考察する。 私たちは、Codeforces、ICPC、IOIの問題からなるベンチマークであるLiveCodeBench Proを紹介します。 オリンピアードのメダリストのチームはアルゴリズムカテゴリーのあらゆる問題に注釈を付け、失敗したモデル生成の提出をライン・バイ・ラインで分析する。
  論文  参考訳（メタデータ） (2025-06-13T16:29:09Z)
• SPARTA ALIGNMENT: Collectively Aligning Multiple Language Models through Combat [76.48873047003943]
  SPARTA ALIGNMENT(SPARTA ALIGNMENT)を提案する。 各イテレーションにおいて、1つの命令と2つのモデルがデュエルのために選択され、他のモデルが2つのレスポンスを評価し、それらの評価スコアは、適応されたエロランクベースの評価システムを介して集約される。 ピア評価された戦闘結果は、敗戦よりも勝利の反応が優先される選好ペアとなり、各イテレーションの最後にこれらの選好からすべてのモデルが学習される。
  論文  参考訳（メタデータ） (2025-06-05T07:51:23Z)
• Two Tickets are Better than One: Fair and Accurate Hiring Under Strategic LLM Manipulations [4.536082020644864]
  大規模言語モデルを用いた操作に適した戦略分類フレームワークを新たに導入する。 提案手法では,求人アルゴリズムが提案した履歴書に付加的な操作を施す。 我々は,雇用成果がグループに依存しない決定に収束し,差分アクセスによる格差を解消することを証明する。
  論文  参考訳（メタデータ） (2025-02-18T19:01:04Z)
• CodeElo: Benchmarking Competition-level Code Generation of LLMs with Human-comparable Elo Ratings [70.95565672516979]
  LiveCodeBenchやUSACOといった既存のベンチマークは、プライベートテストケースの可用性の欠如、特別な審査員のサポートの欠如、不整合実行環境のために不足している。 CodeEloは標準化された競合レベルのコード生成ベンチマークで、これらすべての課題に初めて効果的に対処する。
  論文  参考訳（メタデータ） (2025-01-02T13:49:00Z)
• Amplifying human performance in combinatorial competitive programming [41.59043428241635]
  私たちは競争力のあるプログラミングに重点を置いています。そこでは、難解な問題に対する、可能な限り優れた解決策を見つけることを目的としています。 私たちは、GoogleのNPハードなソフトウェアエンジニアリング問題に触発されたグローバルなチームプログラミングコンペであるHash Codeの以前のイテレーションにアプローチをデプロイしています。 私たちのソリューションは、ベースラインから得られたスコアを大幅に改善し、以前のHash Codeオンライン資格ラウンドのトップパーセンタイルに到達しました。
  論文  参考訳（メタデータ） (2024-11-29T14:40:36Z)
• Are Large Language Models a Threat to Programming Platforms? An Exploratory Study [2.304914644824781]
  大規模言語モデル(LLM)は、様々な困難を伴う多様なプログラミング課題に対処する。 本研究では,様々な難易度を持つプラットフォーム間の多様なプログラミング課題にLLMが取り組む能力について検討する。 私たちはLeetCodeから98の問題、Codeforcesから126の問題を15のカテゴリでテストしました。
  論文  参考訳（メタデータ） (2024-09-09T17:30:20Z)
• FedABC: Targeting Fair Competition in Personalized Federated Learning [76.9646903596757]
  フェデレートラーニングは、クライアントのローカルプライベートデータにアクセスすることなく、モデルを協調的にトレーニングすることを目的としている。 我々はFedABCと呼ばれるバイナリ分類によるFederated Averagingと呼ばれる新規で汎用的なPFLフレームワークを提案する。 特に、各クライアントに1対1のトレーニング戦略を採用して、クラス間の不公平な競争を軽減する。
  論文  参考訳（メタデータ） (2023-02-15T03:42:59Z)
• Retrospective on the 2021 BASALT Competition on Learning from Human Feedback [92.37243979045817]
  競争の目的は、人間のフィードバック(LfHF)技術から学び、オープンワールドの課題を解決するエージェントへの研究を促進することであった。 LfHF技術の使用を義務付けるのではなく、ビデオゲームMinecraftで達成すべき自然言語の4つのタスクについて説明した。 チームは、様々な可能な人間のフィードバックタイプにまたがる多様なLfHFアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-04-14T17:24:54Z)
• Algorithms for Hiring and Outsourcing in the Online Labor Market [12.893230873578878]
  労働者をアウトソーシングし、雇用するためのアルゴリズムを概ね提供する。 私たちはこのモデルチーム形成をアウトソーシングと呼びます。 私たちの貢献は、チームメンバを雇い、解雇し、タスクをアウトソーシングするための効率的なオンラインコスト最小化アルゴリズムです。
  論文  参考訳（メタデータ） (2020-02-16T18:56:26Z)

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。