في عالم تتزايد فيه بياناتنا بشكل متسارع، يبرز البحث عن كيفية التعلم من المقارنات الثنائية كحيلة حاسمة في تحسين تجارب الاستجابة والتوصية. تمثل هذه المقارنات جوهر عملية التقييم في العديد من المجالات مثل أنظمة التوصية واختيار القادة، حيث تهدف إلى تحديد جوائز العناصر بناءً على تفضيلات المشاركين.

لكن ماذا يحدث عندما يكون المشاركون، أو ما يعرفون بالعمالة الجماعية (crowdworkers)، غير موثوقين؟! غالباً ما يظهر ذلك بسبب نقص المعرفة أو تصرفات غير موثوقة مثل سلوكيات الاحتيال.|

استهدف البحث الأخير فهم ما إذا كانت موثوقية العاملين يمكن تعلمها جنباً إلى جنب مع جوائز العناصر. اعتمدت الدراسة على نموذج بولتزمان (Boltzmann-rational model) لتمثيل المقارنات الثنائية، والذي يوسع نموذج برادلي-تيري-لوس (Bradley-Terry-Luce model) بإضافة ميزات العاملين. عبر الاعتماد على خوارزمية تعتمد على طريقة EM (Expectation-Maximization) ودمج متغيرات بوليا-جاما (Polya-Gamma)، تمكن الباحثون من تحويل دالة الاحتمالية اللوجستية إلى شكل غاوسي قابل للتحسين.

تمكنت هذه التقنية من الحد من صياغة المشكلة إلى مشكلة استشعار مصفوفة (matrix sensing problem)، مما ساعد في وضع ضمانات نظرية للتقارب لخطتهم. أُجريت تجارب واسعة على مجموعات بيانات واقعية وصناعية، وبرزت فعالية خوارزميتهم في مواجهة التحديات مثل المحتالين، مما يؤكد على أهميتها في إعدادات التعلم المكافئ والبحث الجماعي.

مع توفر الكود والبيانات للجمهور عبر العلاقة: [https://github.com/KaustubhShejole/BoRa_EM]، يبدو أن الفرص في هذا المجال ليست مُحدودة. ما رأيكم في هذا التطور؟ شاركونا في التعليقات!