遊戲玩家揭示演算法資料的差異
研究調查
根據康奈爾大學、Xbox 和微軟研究的最新資料，全球各地的遊戲玩家對於《巫師》是否具有沉浸感以及《模擬市民》是否是角色扮演遊戲，可能有不同的看法。然而正是這種思想的多樣性，使得能夠為觀眾提供更好的算法，幫助他們選擇合適的遊戲。在超過 5,000 名遊戲玩家的協助下，研究人員顯示，利用由來自不同國家的玩家標註的大規模資料集餵養的預測模型，比由單一國家玩家標註的資料集提供更好的個性化遊戲推薦。該團隊的發現和相關指南除了遊戲領域外，對致力於獲得更具全球適用性的資料標註和更準確預測人工智慧（AI）模型的研究人員和實踐者也具有廣泛應用價值。資料集的重要性
預測模型背後的資料集架構了推薦系統。模型的準確性取決於其底層資料，特別是對於該大量資料中每個個體片段的適當標註。在這一過程中，研究人員和實踐者越來越多地依賴於眾包工人來進行資料標註，然而眾包勞動力往往是同質的。在這個標註資料的過程中，文化偏見可能會滲透其中並最終讓原本旨在服務全球觀眾的預測模型偏頗。康奈爾大學資訊科學系教授 Allison Koenecke 表示：“對於算法處理的資料集，仍然需要有人制定一些規則或對於資料點標註的一般想法，這就是人的角色。”他們的研究團隊與全球遊戲玩家聯絡，使用多種標籤（如“溫馨”、“奇幻”或“和平主義者”）來標註玩家玩過的遊戲。同時他們被要求考慮不同的因素，比如遊戲的複雜程度、遊戲控制的難易程度等。有些遊戲標籤（例如描述和平冷靜的遊戲的“禪”一詞）在不同國家的標籤中應用是一致的；而其他的標籤，例如遊戲是否“可重玩”，則標籤應用存在不一致。研究團隊使用計算方法發現，玩家之間的文化差異以及某些標籤的翻譯和語言特點共同促成了不同國家之間的標籤差異。研究人員隨後建立了兩個模型，可以預測來自每個國家的遊戲玩家將如何標註某個遊戲，其中一個模型使用了來自全球代表性玩家的調查資料，另一個模型則只使用了來自美國玩家的調查資料。他們發現，與僅使用美國玩家的標點資料來訓練的模型相比，從全球多元人群標註資料訓練的模型對於全球玩家的預測提升了 8％。“我們發現, 即使對於美國玩家而言，當訓練資料從僅僅美國為中心轉變為更具全球代表性時，所有人（包括美國玩家在內）的表現都有所提升，”Koenecke 說道。背景
該項研究的主要目標是解決人工智慧領域中的標籤偏頗問題。過去的研究發現，許多機器學習算法都受到了訓練資料的偏見影響，導致在實際應用中產生了失衡和不公正的結果。因此研究團隊透過探索遊戲領域作為案例，試圖找到能夠改善機器學習算法的方法，使其能夠更準確地預測遊戲玩家的偏好。
跨文化標註的重要性
該研究還強調了文化差異在標註過程中的重要性。研究人員發現，不同國家的遊戲玩家對於遊戲的標註存在一定的差異，這一差異既可以歸因於文化差異，也可以歸因於翻譯和語言上的問題。例如，某些遊戲被不同國家的玩家標註為“可重玩”的因素可能是不同的，這表明遊戲社區對於遊戲的評價存在差異。該研究的結果提示了一個重要問題，即機器學習算法在選擇訓練資料時應該考慮到文化背景的差異，以確保模型的準確性和公正性。
對市場影響的評估
這項研究對於遊戲推薦系統的改進具有重要的實際意義。如今遊戲市場已經成為一個龐大的產業，每年都會推出大量的新遊戲。然而遊戲推薦系統通常僅依賴於玩家的評價和標註，這可能會導致推薦系統的不準確性。透過這項研究，遊戲推薦系統可以更好地適應不同文化和國家的玩家，提供更加個性化、準確和公正的推薦遊戲，從而提高玩家的滿意度和遊戲市場的效益。
社論與建議
全球化標籤的重要性
這項研究的結果提醒了我們，在訓練人工智慧和機器學習模型時，考慮到全球差異和多樣性的重要性。不同文化和國家之間存在著巨大的差異，這意味著在標註資料集時應該尋求全球多元的代表性。僅僅依賴單一國家或文化圈子的資料標註，將導致偏見和不準確的模型預測。因此我們建議在開展類似研究和實踐時，需要使用來自全球多元群體的標註資料集，以確保模型的準確性、公正性和全球適用性。
標籤偏見的警示
這項研究還提醒我們，標籤偏見是機器學習領域需要解決的一個重要問題。在資料標註的過程中，不同文化圈子和個人對於標籤的理解和應用存在差異，這可能導致模型的預測結果存在偏見。因此我們需要更深入地研究標籤偏見的起因和解決辦法，以確保算法和模型的公正性和準確性。
全球智慧的利用
這項研究還提起了一個重要的問題，即利用全球智慧來改善機器學習算法的準確性和公正性。遊戲玩家來自不同國家和文化，他們對於遊戲的理解和評價具有多樣性，這些知識和經驗可以用於改進推薦系統和標註資料集。因此我們應該鼓勵更多的全球參與者參與到類似的研究專案和實踐中，以實現更加全球化、準確和公正的算法和模型。
結論
這項研究的成果為遊戲推薦系統提供了重要的改進方法，同時也提醒我們，在標註資料和訓練機器學習模型時需要考慮到全球多元性和文化差異。這些研究結果對於提高模型的準確性、公正性和全球適用性具有重要的指導價值。我們應該鼓勵更多的研究專案和實踐活動，進一步探索解決標籤偏見的問題，並利用全球智慧來改善機器學習算法。
延伸閱讀
- Allozymes 以加速酶學應用於資料和人工智慧，籌集 1500 萬美元
- Instagram 調整演算法，優先呈現更多小型原創創作者的內容
- Carv 完成 1000 萬美元 A 輪融資，協助遊戲玩家實現資料商品化
- 建築業主的碳排放：全新演算法可一覽無遺
- Modal 籌集 2500 萬美元，為企業員工提供資料與人工智慧訓練
- 人工智慧與資料基礎設施推動開源新創公司需求
- Google 在法國被罰 2.7 億美元，當局發現新聞出版商的資料被用於 Gemini
- 為何拉丁美洲的 SaaS 新創公司與美國同行有所不同？
- 「遊戲玩家們紛紛湧至 Palworld 玩「搶槍寶可夢」，儘管存在版權疑慮」
- 新創公司募資不是簡報：創辦人必須理解其中的差異
