Praktikum: Dynamische Methoden des Crowd Computings

Inhalt:

Die Idee von Crowd-Computing ist, die „kollektive Intelligenz“ einer Menge von Personen zur Bearbeitung von Aufgaben einzusetzen, für die beispielsweise unterschiedliche Sichtweisen gefragt sind, oder für die der personelle Aufwand extrem hoch ist, und die daher nicht mit verfügbaren Ressourcen (z.B. den Mitarbeitern eines Unternehmens) bewältigt werden können. Solche Aufgaben werden üblicherweise in kleine „Tasks“ aufgeteilt und externen Personen, sogenannten Crowd Workers, beispielsweise über eine Crowd-Plattform, zur Bearbeitung angeboten (publiziert). Diese können dann bei diesen Plattformen Tasks auswählen und erhalten dafür oft eine geringe monetäre Entlohnung. Am IPD laufen derzeit Aktivitäten, die die Konzeption und Umsetzung von innovativen Methoden zur Kopplung von Abläufen (Prozessen) mit Crowd-Computing-Funktionalität adressieren. Hierfür wurde die Sammlung von Argumenten zu einem gegebenen Thema (z.B. Beispiel politische Meinungsbildung) als Anwendungsbeispiel gewählt. Das Ziel dieser Anwendung ist, dass möglichst vielfältige Argumente zu einem politischen Thema gesammelt und dargestellt werden. Dabei besteht die Gefahr, dass sich die gesammelten Argumente wiederholen und damit eventuell nicht die gewünschte Vielfalt erreicht wird. Eine mögliche Lösung zur Vermeidung von redundanten Argumenten ist, die Aufgabenstellung für die Crowd Worker dynamisch anzupassen und die bereits gesammelte Menge an Argumenten für den Crowd Worker transparent in die Aufgabenstellung der Crowd Task zu integrieren. Die Arbeitsanweisung für die Crowd Worker wird demensprechend von der unabhängigen Sammelaufgabe angepasst auf eine dynamische Sammlung mit einer Aufgabenstellung wie beispielsweise „liefern Sie ein neues, noch nicht genanntes Argument“. Durch die gestiegene Komplexität der Crowd Aufgabe ist eine dynamische Anpassung der monetären Entlohnung notwendig. Bei dynamischen Sammelprozessen kann der Requester verschiedene Designentscheidungen treffen, wie z.B. welche Argumente soll der System zurückführen (alle Argumente vs. eine Teilmenge der Argumente), wann führt das System die Argumente zurück (sofort vs. nur bewertete Argumente), was ist die Frequenz der Rückführung (Argumente einzeln vs. phasenweise Rückführung) . Ein weiterer wichtiger Designaspekt von Crowd Computing Prozessen ist die zeitnahe Entlohnung der Crowd Worker. Benötigt der Aufgabensteller, der sogenannte Requester, lange zur Bewertung und Bezahlung einer Aufgabe, so sinkt die Reputation des Requesters auf verbreiteten Bewertungsplattformen wie Turkopticon. Eine schlechte Bewertung hätte zur Folge, dass sich weitere Crowd Worker nur schwer Bearbeitung von Aufgaben des Requesters motivieren lassen. Um diesem Problem entgegenzuwirken, ist es notwendig die Bezahlung der Crowd Worker möglichst zeitnah durchzuführen. Entscheidet sich der Requester dafür, nur nicht redundante Argumente von guter Qualität zu akzeptieren und zu bezahlen und diese Argumente anschließend in die Crowd Aufgabe zurückzuführen, so muss die Bewertung der Argumente hinsichtlich der gewünschten Kriterien zeitnah erfolgen. Ansonsten gibt es Verzögerungen in der Bezahlung und der dynamischen Anpassung der Sammlung. Die Bewertung (als mögliche Grundlage für die Bezahlung) sollte also möglichst zeitnah erfolgen und dementsprechend an die – immer verfügbare – Crowd ausgelagert werden. Für eine größt mögliche Flexibilität sollte zudem eine Bezahlung der Crowd Worker zu verschiedenen Zeitpunkten im Prozess(z.B. sofort nach der Redundanzbewertung, in mehreren Schritten,…) aufgrund verschiedener, vorher festgelegter Kriterien (z.B. Bezahlung nur für nicht redundante Argumente) möglich sein.

Lernziel

Ziel dieses Praktikum ist es, den bereits umgesetzten Crowd Computing Prozess flexibler zu gestalten und um dynamische Methoden zur Qualitätsbewertung durch Crowd Worker und Anpassung der Aufgabenstellung und Bezahlung zu erweitern mit dem Ziel der Redundanzvermeidung bei der Sammlung von Argumenten. Der Anwender sollte dabei zwischen verschiedenen Designentscheidungen zur Redundanzerkennung (z.B. kontinuierliche oder phasenweise Anpassung der Aufgabenstellung) flexibel zur Designzeit des Crowd Computing Prozesses treffen können.