[論文レビュー] Skillset Distribution for Accelerated Knowledge Building in Crowdsourced Environments.

Anamika Chhabra, S. R. S. Iyengar+1 more|arXiv (Cornell University)|Oct 28, 2015

Wikis in Education and Collaboration参考文献 26被引用数 3

ひとこと要約

本論文は、ウィキペディア や StackOverflow のようなコラボラティブな知識構築環境において、スキルベースのユーザ分類が知識構築をどのように加速させるかを調査している。ルーマンの自己生成的システム理論を適用することで、専門的なユーザーカテゴリが顕著な追加知識を生み出す『トリガリング』というプロセスを同定した。その結果、最適なスキルセットの分布が知識出力を著しく向上させ、システム効率に定量的利点をもたらすことが示された。

ABSTRACT

Crowdsourcing has revolutionized the process of knowledge building on the web. Wikipedia and StackOverflow are witness to this uprising development. However, the dynamics behind the success of crowdsourcing in the domain of knowledge building is an area relatively unexplored. It has been observed that ecosystem exists in the collaborative knowledge building environments (KBE), which divides the people in a KBE into various categories based on their skills. In this work, we provide a detailed investigation of the process, explaining the reason behind fast and efficient knowledge building in such settings. We follow on Luhmann's theory of autopoietic systems and hypothesize that the existence of categories leads to triggering, which makes a knowledge building system an autopoietic system. This triggering process helps bring a substantial amount of extra knowledge to the system, which would have remained undiscovered otherwise. We quantitatively analyze the contribution of triggered knowledge and find it to be a significant part of the total knowledge generated. We demonstrate that different distribution of users across categories leads to varied amount of knowledge in the system. We further discuss on the ideal distribution of users for accelerated knowledge building. The study will help the portal designers to accordingly build suitable crowdsourced environments.

研究の動機と目的

• コラボラティブな知識構築環境（KBEs）における迅速かつ効率的な知識構築のダイナミクスを理解すること。
• スキル別ユーザ分類が、トリガリングと呼ばれるメカニズムを通じて新しい知識の出現にどのように寄与するかを調査すること。
• KBEsにおける総知識生成量に比して、トリガリングによって生じる知識の貢献度を定量化すること。
• 知識出力を最大化するために、ユーザをスキルカテゴリにどのように分布させるかを同定すること。
• コラボラティブな知識プラットフォームを最適化するための設計ガイドラインを提供すること。

提案手法

• 知識構築エコシステムを自己参照的かつ自己持続的システムとしてモデル化するため、ルーマンの自己生成的システム理論を採用すること。
• スキルセットに基づいてユーザーカテゴリを定義し、『トリガリング』— ある貢献が他のカテゴリの貢献を誘発する連鎖反応— による知識貢献の開始役割を分析すること。
• 異なるスキルセット分布における、トリガリングによる知識生成量をベースライン貢献と比較して定量的に測定すること。
• 実世界のKBEデータ（例：ウィキペディア、StackOverflow）を分析し、トリガリング仮説の妥当性を検証するとともに、異なるユーザ分布下での知識成長を測定すること。
• 統計的モデリングを用いて、スキルセット分布パターンと総知識出力・システム効率との相関関係を分析すること。

実験結果

リサーチクエスチョン

• RQ1 ユーザがスキルカテゴリにどのように分布しているかが、コラボラティブKBEsにおける知識生成の速度と量にどのように影響するか？
• RQ2 あるカテゴリの貢献が他のカテゴリの貢献を刺激する『トリガリング』プロセスが、全体の知識出力にどの程度寄与するか？
• RQ3 KBEsにおいて、直接的貢献と比較して、トリガリングによって生じる知識の定量的影響は何か？
• RQ4 どのスキルセット分布パターンがKBEにおける知識構築効率を最大化するか？
• RQ5 自己生成的システム理論は、成功した知識構築プラットフォームの自己持続的性質をどのように説明できるか？

主な発見

• スキルベースの分類によって駆動されるトリガリングプロセスは、KBEにおける総知識の顕著で測定可能な割合を占めている。
• ユーザが均等的またはランダムに分布するのではなく、専門的カテゴリに分散されている場合、知識出力が著しく増加する。
• 最適なスキルセット分布は、知識生成に非線形的な増加をもたらし、システム効率に閾値効果が存在することを示している。
• 本研究は、知識加速を最大化する特定の分布パターンを同定し、プラットフォーム設計に実用的インサイトを提供した。
• 定量的分析により、トリガリングによる知識貢献が直接的貢献を上回る有意義な寄与を果たしていることが確認され、実世界のKBEsにおける自己生成的モデルの妥当性が裏付けられた。