Prolific
PulseAugur coverage of Prolific — every cluster mentioning Prolific across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
研究：短视频AI对ADHD用户造成不成比例的伤害
一项新近发表在arXiv上的研究探讨了短视频推荐系统对ADHD（注意力缺陷多动障碍）患者的有害影响。该研究招募了302名通过Prolific招募的参与者，提出了“参与陷阱”的概念，用以描述这些为最大化参与度而设计的系统如何不成比例地伤害ADHD用户。尽管ADHD参与者发现推荐内容相关，但他们报告了更严重的时间盲区、使用后懊悔和情绪困扰。研究主张采用神经多样性意识设计原则，以减轻算法的危害并促进更公平的用户体验。
-
研究：版主人口统计特征导致在线毒性保护不平等
一项对来自美国16,000多名受访者的内容审核判断进行的分析显示，用户在网上免受感知到的毒性侵害的保护方面存在显著的人口统计学差异。研究发现，与Prolific等平台的人口统计构成相似的版主群体加剧了这些不平等，不成比例地使与版主身份相同的用户受益。即使有代表性的版主群体，除非黑人和LGB用户的代表性显著超过其人口比例，否则他们仍然受到保护不足，这表明分层删除标准的聚合在结构上导致了不平等的保护。
-
AI数据质量：为何更好的数据而非更多数据是关键
Liam Lawson和Arturo Ferreira在“The AI Why”播客节目中讨论了AI训练中关键的数据质量问题。他们邀请了Prolific公司数据与AI副总裁Enzo Blindow，他解释说，更好的数据，而不仅仅是更多的数据，是AI模型的关键差异化因素。对话深入探讨了模型如何可能延续刻板印象，有缺陷数据产生的微妙影响，以及证明AI易受偏见或商业驱动输出影响的研究。
-
LLM标注在低成本下可媲美人类标签，用于敌意检测
一篇新的arXiv论文研究了大型语言模型（LLM）在主动学习数据标注方面的有效性，特别是在在线评论的敌意检测方面。研究发现，LLM，特别是使用两问界面的GPT-5.2，可以以远低于人类标注者的成本标注数据，并取得相当或更优的性能。然而，研究也指出，在使用LLM标注者时，主动学习并未提供优于随机抽样的可靠优势，且不同LLM的错误结构各不相同，有些会将经济或边境管制言论错误分类。
-
机器人数据集揭示了可解释人工智能的用户问题
研究人员开发了一个包含 1,893 个用户问题的新数据集，专门用于可解释机器人学。该数据集收集自 100 名参与者，将问题分为 12 类，重点关注用户对机器人能力和任务执行细节的期望。研究结果表明，虽然用户经常询问基本任务信息，但他们认为有关假设场景和确保正确行为的问题最为重要。该资源旨在帮助开发更好的人机交互问答模块和解释策略。
-
众包在可靠检测视听深度伪造方面面临挑战
一项新的研究论文探讨了众包在检测视听深度伪造方面的有效性。研究发现，虽然普通大众在识别真实视频方面表现良好，但他们经常会错过被篡改的内容，并且难以准确指出篡改的类型或时间戳。聚合判断可以提高真实性检测的准确性，但并不能完全解决漏检篡改内容的问题，也无法解决识别特定篡改类型（尤其是视听结合的深度伪造）的困难。