Um modelo de recomendação de trabalhadores voltado à execução de tarefas no cenário de crowdsourcing

Abstract

Atualmente o conceito de crowdsourcing vem sendo aplicado em larga escala, utilizando a inteligência coletiva para obter bons resultados. Porém, em cenários onde é necessário conhecimento de domínio para executar as tarefas, percebe-se a necessidade de selecionar os trabalhadores de acordo com suas competências. O objetivo geral deste trabalho consiste na proposição de um modelo capaz de recomendar trabalhadores e explicitar o conhecimento dos mesmos visando à resolução de tarefas complexas em ambientes de crowdsourcing. O modelo elaborado, a partir da metodologia Design Science Research Methodology utiliza de similaridade vetorial com o objetivo de gerar recomendações por meio de rankings. Por intermédio desses rankings é possível auxiliar tomadores de decisão na seleção dos trabalhadores (examinadores no contexto da tese) mais adequados na realização de uma tarefa conforme seu conhecimento prévio. O modelo proposto também utiliza grafos de conhecimento visando explicitar e contextualizar os rankings de recomendação por meio da projeção dos trabalhadores e os conceitos que formam seus perfis. O cenário de estudo foi composto por dois conjuntos de dados de patentes (C1 com 26 classes e 10.400 patentes, e C2 com 71 classes e 56.093 patentes) disponibilizadas pelo United States Patent and Trademark Office® (USPTO). A acurácia do modelo chegou a 84,33% na avaliação utilizando C1 e 65,18% na avaliação utilizando C2. O modelo também avaliou a utilização de um fator de ponderação visando à recomendação de trabalhadores com poucas tarefas realizadas de modo a mitigar o problema de cold-start. Também foi avaliada a viabilidade da construção e utilização de grafos de conhecimento para auxiliar no processo de decisão. Com os resultados obtidos foi possível confirmar a viabilidade do modelo avaliando os aspectos principais, sendo a recomendação de examinadores por meio de rankings e a utilização de grafos de conhecimento visando explicitar o conhecimento envolvido.

Abstract: Currently, the concept of crowdsourcing has been applied on a large scale, using collective intelligence to obtain good results. However, in scenarios where domain knowledge is required to perform tasks, there is a need to select workers according to their skills. The general objective of this work is to propose a model capable of recommending specialists and explaining their knowledge to solve complex tasks in crowdsourcing environments. The model developed from the Design Science Research Methodology uses vector similarity to generate recommendations through rankings. Through these rankings, it is possible to assist decision-makers in selecting the most suitable workers (examiners in the context of the thesis) to perform a task according to their prior knowledge. The proposed model also uses knowledge graphs to explain and contextualize the recommendation rankings through the projection of workers and the concepts that form their profiles. The study scenario consisted of two patent datasets (C1 with 26 classes and 10,400 patents, and C2 with 71 classes and 56,093 patents) provided by the United States Patent and Trademark Office® (USPTO). The accuracy of the model reached 84.33% in the evaluation using C1 and 65.18% in the evaluation using C2. The model also evaluated the use of a weighting factor aimed at recommending workers with few tasks performed to mitigate the cold-start problem. The feasibility of building and using knowledge graphs to assist in the decision process was also evaluated. With the results obtained, it was possible to confirm the viability of the model by evaluating the main aspects, the recommendation of examiners through rankings, and the use of knowledge graphs aiming to explain the knowledge involved.