::在过去的十年里,在社交和数字媒体平台上,使用简单的评级和比较调查的做法激增,以推动推荐。 这些简单的调查以及他们用机器学习算法进行的推断,揭示了用户对大量且不断增长的项目的偏好,比如电影、歌曲和广告。 本文介绍了一些简单的社会科学应用调查。 通过实验来比较个人和集合比较评估的预测准确性,使用了4种类型的简单调查: 2,5的成对比较和评分,以及3种不同背景下的连续点量表: Google街景 / 图片的感知安全性,艺术作品的喜爱度和动物 gif 的喜悦度。 在不同的情境中,发现持续的等级评定能够最好的预测个人评估,但是却消耗了大部分的时间和认知努力。 | ::在过去的十年里,在社交和数字媒体平台上,使用简单的评级和比较调查的做法激增,以推动推荐。 这些简单的调查以及他们用机器学习算法进行的推断,揭示了用户对大量且不断增长的项目的偏好,比如电影、歌曲和广告。 本文介绍了一些简单的社会科学应用调查。 通过实验来比较个人和集合比较评估的预测准确性,使用了4种类型的简单调查: 2,5的成对比较和评分,以及3种不同背景下的连续点量表: Google街景 / 图片的感知安全性,艺术作品的喜爱度和动物 gif 的喜悦度。 在不同的情境中,发现持续的等级评定能够最好的预测个人评估,但是却消耗了大部分的时间和认知努力。 |