探究众包工作者的音乐感知能力
Exploring the Music Perception Skills of Crowd Workers
Ioannis Petros Samiotis, Sihang Qiu, Christoph Lofi, Jie Chi Yang, Ujwal Gadiraju, Alessandro Bozzon
Proceedings of the AAAI Conference on Human Computation and Crowdsourcing · 2021-10-04
开放获取音乐与舞蹈被引 7被引前 10%影响因子 ≈4.2
摘要
在付费众包平台上，音乐内容标注任务十分常见。这类任务要求众包工作者对复杂的音乐素材进行标注，因而需要特定的技能与专业知识。传统的参与者筛选机制并未针对此类领域特定技能进行考量，相关领域问题往往被归入常规人口统计类别。尽管此类任务应用广泛，但学界对众包工作者在音乐属性方面的差异——尤其是听觉感知能力——仍缺乏深入认知。为填补这一研究空白，我们在Prolific平台上开展了一项用户研究（样本量N=100）。研究中，我们通过问卷让参与者评估自身的音乐素养水平，并通过基于音频的技能测试来测定其音乐感知能力。本研究旨在厘清众包工作者的感知能力与其音乐教育背景及自我报告能力之间的关联程度。研究结果显示，未经专业训练的众包工作者在旋律、音准、重音及节奏等音乐要素的感知方面具备较高水平，这些能力可广泛应用于音乐领域的各类标注任务。
本摘要由 AI（Hy-MT2-Pro）翻译生成，仅供参考，请以原文为准。
AI 综述
基于摘要生成- 主要观点
- 该文的核心论点是：付费众包平台上的音乐内容标注任务要求工作者具备标注复杂音乐制品的特定技能与专长，但传统参与者选择方法并不用于捕捉这类领域特定技能，且常把领域特定问题归入一般人口统计范畴。作者指出，目前对众包工作者中音乐属性——尤其是听觉感知技能——的分布缺乏深入理解。为回应这一知识缺口，研究在 Prolific 上开展 N=100 的用户研究，用问卷测量音乐素养，用音频技能测试评估音乐感知技能，目标在于了解工作者在自身音乐教育水平和自报能力之外能在多大程度上具备较高感知技能。研究结果显示，未受训的众包工作者可在旋律、调音、重音和节奏等音乐元素上具备高感知技能，这些技能可用于音乐领域的多种标注任务。
- 研究方法
- 研究采用在 Prolific 平台招募 N=100 名众包工作者的用户研究。数据收集包含两部分：一是通过问卷了解工作者的音乐素养（musical sophistication），二是通过基于音频的技能测试评估其音乐感知技能。分析路径是将问卷所得的音乐教育水平与自报能力同音频技能测试表现并置，以识别超出这些自报信息的高感知技能。样本为 Prolific 上的众包工作者，总数为 100。材料中未明确提及抽样策略、音频测试的具体题项与评分标准、统计检验方法，以及受试者的地区、年龄、性别和听力设备控制情况。
- 学术贡献
- 该文属于材料发掘与领域拓展层面：它在付费众包平台音乐内容标注的语境中，引入问卷与音频技能测试来考察众包工作者的音乐感知技能分布。其贡献在于把传统上被归入一般人口统计的领域特定问题，具体化为旋律、调音、重音和节奏等可测试的音乐元素。研究为音乐领域众包标注中的工作者能力评估提供了实证依据，说明未受训工作者也可能具备对标注任务有用的高感知技能。对众包音乐内容标注这一子领域而言，该发现可用于重新审视仅凭音乐教育水平或自报能力来理解工作者技能的局限。
- 存在局限
- 样本为 Prolific 上的 100 名众包工作者，材料未说明该样本在平台、地域、音乐文化背景和听力条件上的代表性，因此难以判断结论能否推广到其他付费众包平台或更广泛的工作者群体。研究依赖问卷自报与音频技能测试，但材料未明确提及音频测试的信度、效度、测试环境控制以及是否采用统计检验比较自报能力与测试表现。论证链条上，研究结论落在旋律、调音、重音和节奏的感知技能，材料未说明这些技能与具体音乐标注任务中的标注质量、一致性或效率之间是否存在直接关联。材料也未明确“未受训”的界定标准，以及高感知技能在全部受试者中的分布比例。
- 进一步研究方向
- 后续研究可在 Prolific 之外的付费众包平台复制该用户研究，并按音乐教育水平与自报音乐素养分层抽样，检验不同平台和不同自报能力群体的音乐感知技能分布是否一致。可设计真实音乐标注任务实验，将旋律、调音、重音和节奏的音频测试得分与音高标注、节拍标注或重音标注的表现指标（如准确率、一致性、完成时间）进行关联，以验证感知技能对标注任务的预测效度。还可对“未受训但高感知技能”工作者与受过音乐训练的工作者做分组比较，考察二者在标注质量与效率上的差异。为改进参与者选择，可开发并检验面向音乐标注的领域特定筛选工具，比较音频技能测试与自报音乐教育、音乐素养问卷在预测标注表现上的增量信息。材料中未提及的长期稳定性问题，也可通过间隔重复测试同一批工作者来检验其感知技能得分的重测信度。
本综述由 AI（deepseek-flash）基于摘要自动生成，仅供参考，不代表原文作者观点，请以原文为准。
参考文献
相关论文
话题：Mobile Crowdsensing and Crowdsourcing