研究人员推出了一种名为 Aggregate-then-Calibrate (AtC) 的新颖两阶段框架，旨在改进以人为中心的评估任务。该方法通过结合人类判断和模型生成的分数，解决了仅依赖其中一种的局限性。第一阶段聚合比较性判断，考虑标注者可靠性，形成共识排名。第二阶段校准预测模型分数，以确保与该排名的序数一致性，同时保留定量信息。理论分析和实证结果表明，与仅使用人类或模型评估的方法相比，AtC 提高了准确性和鲁棒性。 AI
影响 该框架通过更好地整合人类专业知识和模型输出，可以提高 AI 辅助决策过程的可靠性和准确性。
排序理由 该集群描述了一篇研究论文中提出的新颖框架。[lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
- Aggregate-then-Calibrate
- Anatomical Therapeutic Chemical Classification System
- Hugging Face Daily Papers
- isotonic calibration
- rank-aggregation model
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
