01.09.2023
| Forschung |
Ein neuer Ansatz ermöglicht es, User-Engagement Verhalten auf Crowdsourcing Plattformen zu bestimmen
Unsere wissenschaftliche Mitarbeiterin Sana Hassan Imam hat ein Machine Learning-Modell entwickelt, das vorhersagen kann ob das User-Engagement von Ideen-Crowdsourcing Plattform Nutzer*innen von kurzzeitiger oder langfristiger Dauer sein wird.
Online-Communities ermöglichen es Menschen, virtuell zu interagieren, zusammenzuarbeiten, Wissen auszutauschen, Innovation voranzutreiben, Probleme zu lösen und gemeinsam Wert zu schaffen. Unternehmen machen sich diese Potentiale durch den Einsatz von Crowdsourcing-Plattformen zunutze und verwenden verschiedene Ansätze und Technologien, um externe Personen in die Erfüllung ihrer Aufgaben mit einzubeziehen. Plattformen, die Crowdsourcing ermöglichen, wie z. B. Amazon Mechanical Turk (MTurk), schaffen Anreize für Individuen durch monetäre Belohnungen für ihre Beiträge. Darüber hinaus gibt es erfolgreiche Crowdsourcing-Plattformen, die ausschließlich auf Freiwilligenarbeit beruhen. Damit diese jedoch lukrativ sein können, müssen sich Nutzer*innen langfristig an Projekten beteiligen, um die Kosten für die Rekrutierung neuer Mitglieder zu minimieren.
Das User-Engagement der Nutzer*innen ist somit ein entscheidender Faktor für den Erfolg von online Crowdsourcing-Plattformen, da es die Qualität und Quantität der Nutzerbeiträge beeinflusst. Außerdem trägt Nutzerbindung dazu bei, die Gemeinschaft der Online-Community zu stärken und somit Zusammenarbeit, Wissensaustausch, gemeinsames Lernen und langfristiges Engagement zu fördern. Dies wirkt sich positiv auf das Wachstum sowie das Ansehen der Plattform aus. Langfristiges User-Engagement ist außerdem ein Indikator für Nutzerloyalität und ermöglicht es einer Plattform, wettbewerbsfähig zu bleiben.
Langfristiges User-Engagement und dessen Verhaltensmuster zu identifizieren, ist jedoch mit vielen Herausforderungen verbunden. Dazu gehören Faktoren wie Datenverfügbarkeit- und Verlässlichkeit, diverses, sich stetig veränderndes Nutzerverhalten und die Subjektivität von User-Engagement Messungen. Solche Herausforderungen zu bewältigen, erfordert die
Kombination verschiedener Datenanalysetechniken sowie ein detailliertes Verständnis für die Plattform und dessen User-Engagement Daten.
Gemeinsam mit Christopher Metz (wissenschaftlicher Mitarbeiter des DSC) und unter der Leitung von Lars Hornuf (Lehrstuhl für Betriebswirtschaftslehre der TU Dresden) und Rolf Drechsler (Direktor des DFKI Bremen), hat unsere wissenschaftliche Mitarbeiterin, Sana Hassan Imam, einen neuen Ansatz entwickelt, der sich diesen Herausforderungen stellt. Die Methode ermöglicht die Bestimmung von langfristigem User-Engagement, durch die Klassifizierung der Nutzer*innen und der Visualisierung der wichtigsten Merkmale des User-Engagements der Ideen-Crowdsourcing Plattform.
Die Studie stellt ein neues Machine Learning-Modell vor, das mit 96% Genauigkeit vorhersagen kann ob sich User*innen zu Langzeit- oder Kurzeitnutzer*innen von online Ideen-Crowdsourcing Plattformen entwickeln werden. Durch die Verwendung von Explainable Artificial Intelligence (XAI)-SHapley Additive exPlanations (SHAP), schlägt die Studie einen neuen Ansatz für die weitere Erforschung von User-Engagement Mustern und Trends in unterschiedlichen Kontexten vor. Dieser kann Plattformadministrator*innen dabei unterstützen, wertvolle Nutzer*innen zu identifizieren und zu belohnen und somit zum dauerhaften Erfolg von Crowdsourcing-Plattformen beizutragen.
Der neue Ansatz wird am 3. September auf dem UCAI 2023-Workshop zum Thema „User-Centered Artificial Intelligence“ am Zürichsee in der Schweiz vorgestellt. Der interaktive Workshop findet zum vierten Mal statt und wird gemeinsam mit der Konferenz „Mensch und Computer 2023“ (MuC) veranstaltet. Ziel ist es, aktuelle Ideen und Entwicklungen im Feld der HCI (Human-computer interaction) und KI auszutauschen und gemeinsam neue methodische, technische und interaktive Ansätze zu erforschen.
Aktualisiert von: Svenja Goers
« zurück
01.09.2023 | Forschung
Ein neuer Ansatz ermöglicht es, User-Engagement Verhalten auf Crowdsourcing Plattformen zu bestimmen
Unsere wissenschaftliche Mitarbeiterin Sana Hassan Imam hat ein Machine Learning-Modell entwickelt, das vorhersagen kann ob das User-Engagement von Ideen-Crowdsourcing Plattform Nutzer*innen von kurzzeitiger oder langfristiger Dauer sein wird.
Online-Communities ermöglichen es Menschen, virtuell zu interagieren, zusammenzuarbeiten, Wissen auszutauschen, Innovation voranzutreiben, Probleme zu lösen und gemeinsam Wert zu schaffen. Unternehmen machen sich diese Potentiale durch den Einsatz von Crowdsourcing-Plattformen zunutze und verwenden verschiedene Ansätze und Technologien, um externe Personen in die Erfüllung ihrer Aufgaben mit einzubeziehen. Plattformen, die Crowdsourcing ermöglichen, wie z. B. Amazon Mechanical Turk (MTurk), schaffen Anreize für Individuen durch monetäre Belohnungen für ihre Beiträge. Darüber hinaus gibt es erfolgreiche Crowdsourcing-Plattformen, die ausschließlich auf Freiwilligenarbeit beruhen. Damit diese jedoch lukrativ sein können, müssen sich Nutzer*innen langfristig an Projekten beteiligen, um die Kosten für die Rekrutierung neuer Mitglieder zu minimieren.
Das User-Engagement der Nutzer*innen ist somit ein entscheidender Faktor für den Erfolg von online Crowdsourcing-Plattformen, da es die Qualität und Quantität der Nutzerbeiträge beeinflusst. Außerdem trägt Nutzerbindung dazu bei, die Gemeinschaft der Online-Community zu stärken und somit Zusammenarbeit, Wissensaustausch, gemeinsames Lernen und langfristiges Engagement zu fördern. Dies wirkt sich positiv auf das Wachstum sowie das Ansehen der Plattform aus. Langfristiges User-Engagement ist außerdem ein Indikator für Nutzerloyalität und ermöglicht es einer Plattform, wettbewerbsfähig zu bleiben.
Langfristiges User-Engagement und dessen Verhaltensmuster zu identifizieren, ist jedoch mit vielen Herausforderungen verbunden. Dazu gehören Faktoren wie Datenverfügbarkeit- und Verlässlichkeit, diverses, sich stetig veränderndes Nutzerverhalten und die Subjektivität von User-Engagement Messungen. Solche Herausforderungen zu bewältigen, erfordert die
Kombination verschiedener Datenanalysetechniken sowie ein detailliertes Verständnis für die Plattform und dessen User-Engagement Daten.
Gemeinsam mit Christopher Metz (wissenschaftlicher Mitarbeiter des DSC) und unter der Leitung von Lars Hornuf (Lehrstuhl für Betriebswirtschaftslehre der TU Dresden) und Rolf Drechsler (Direktor des DFKI Bremen), hat unsere wissenschaftliche Mitarbeiterin, Sana Hassan Imam, einen neuen Ansatz entwickelt, der sich diesen Herausforderungen stellt. Die Methode ermöglicht die Bestimmung von langfristigem User-Engagement, durch die Klassifizierung der Nutzer*innen und der Visualisierung der wichtigsten Merkmale des User-Engagements der Ideen-Crowdsourcing Plattform.
Die Studie stellt ein neues Machine Learning-Modell vor, das mit 96% Genauigkeit vorhersagen kann ob sich User*innen zu Langzeit- oder Kurzeitnutzer*innen von online Ideen-Crowdsourcing Plattformen entwickeln werden. Durch die Verwendung von Explainable Artificial Intelligence (XAI)-SHapley Additive exPlanations (SHAP), schlägt die Studie einen neuen Ansatz für die weitere Erforschung von User-Engagement Mustern und Trends in unterschiedlichen Kontexten vor. Dieser kann Plattformadministrator*innen dabei unterstützen, wertvolle Nutzer*innen zu identifizieren und zu belohnen und somit zum dauerhaften Erfolg von Crowdsourcing-Plattformen beizutragen.
Der neue Ansatz wird am 3. September auf dem UCAI 2023-Workshop zum Thema „User-Centered Artificial Intelligence“ am Zürichsee in der Schweiz vorgestellt. Der interaktive Workshop findet zum vierten Mal statt und wird gemeinsam mit der Konferenz „Mensch und Computer 2023“ (MuC) veranstaltet. Ziel ist es, aktuelle Ideen und Entwicklungen im Feld der HCI (Human-computer interaction) und KI auszutauschen und gemeinsam neue methodische, technische und interaktive Ansätze zu erforschen.
Autor*in: Svenja Goers
« zurück