[论文解读] 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 3

一句话总结

本文研究了基于技能的用户分类如何在维基百科和Stack Overflow等众包环境中加速知识构建。通过应用吕尔曼的自创生系统理论，识别出‘触发’机制——即专业用户类别产生大量额外知识的过程——表明最优技能组合分布可显著提升知识产出，系统效率获得可量化的提升。

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.

研究动机与目标

• 理解众包知识构建环境（KBEs）中快速高效知识构建的动态机制。
• 研究基于技能的用户分类如何通过‘触发’机制促进新知识的涌现。
• 量化触发知识相对于KBEs中总知识产出的贡献。
• 识别出能最大化知识产出的用户在技能类别中的理想分布。
• 为门户创建者提供设计指南，以优化众包知识平台。

提出的方法

• 采用吕尔曼的自创生系统理论，将知识构建生态系统建模为自我参照、自我维持的系统。
• 基于技能集定义用户类别，并分析其通过‘触发’——即一种级联效应，其中一次贡献会激发其他类别的进一步贡献——来启动知识贡献的角色。
• 定量测量在不同技能组合分布下，通过触发产生的知识量相对于基线贡献的规模。
• 分析真实世界的KBE数据（如维基百科、StackOverflow），以验证触发假说，并测量在不同用户分布下的知识增长。
• 使用统计建模方法，将技能组合分布模式与总知识产出及系统效率相关联。

实验结果

研究问题

• RQ1 用户在技能类别的分布如何影响众包KBEs中的知识生成速率与规模？
• RQ2 ‘触发’过程——即某一类别贡献激发其他类别贡献——在整体知识产出中所起的作用有多大？
• RQ3 在KBEs中，触发知识相对于直接贡献的定量影响是什么？
• RQ4 哪种技能组合分布模式能最大化KBE中的知识构建效率？
• RQ5 自创生系统理论如何解释成功知识构建平台的自我维持特性？

主要发现

• 由基于技能的分类驱动的触发过程，在KBEs中产生了大量且可量化的总知识。
• 当用户分布在专业化类别中而非均匀或随机分布时，知识产出显著增加。
• 最优技能组合分布导致知识生成出现非线性增长，表明系统效率存在阈值效应。
• 本研究识别出一种能最大化知识加速的特定分布模式，为平台设计提供了可操作的见解。
• 定量分析证实，触发知识的贡献显著超越直接贡献，验证了自创生模型在真实世界KBEs中的适用性。