Kontextuelle Qualitätssignale entwickeln
41 Indikatoren entwickelt, die beschreiben, wie Nachrichtendomains auftreten und verbreitet werden, und reproduzierbare Datensätze für die Modellierung vorbereitet.
KontextEU geförderte Forschung im Projekt Social Media for Democracy
Meine RolleResearch Engineer mit Verantwortung für Daten, Modellierung, Empfehlung und Evaluation
Verifiziertes Ergebnis3 Punkte höhere Quellenqualität bei gleichbleibender Baseline Präzision
Relevanz allein reicht nicht aus.
Konventionelle Empfehlungssysteme optimieren danach, womit Nutzer wahrscheinlich interagieren. In einer Nachrichtenumgebung kann dieses Ziel unbeabsichtigt unzuverlässige Domains fördern. Produkt und Forschungsteams benötigen eine Möglichkeit, Informationsqualität messbar zu machen, ohne auf Personalisierung zu verzichten.
Domainqualität als explizites Ranking Signal ergänzen.
Mit einem unabhängigen Benchmark validieren
Gelernte Schätzungen der Domainqualität mit NewsGuard Bewertungen verglichen, um zu prüfen, ob die Signale aussagekräftige Informationen zur Zuverlässigkeit erfassen.
Qualität in die Empfehlung integrieren
Relevanzorientierte Empfehlungen durch ein qualitätsbewusstes Re Ranking mit gelernten Signalen zur Domainqualität verbunden.
Den Zielkonflikt evaluieren
Den neuen Ansatz anhand der Empfehlungspräzision und der durchschnittlichen Qualität empfohlener Domains mit der Baseline verglichen.
Verantwortung über den gesamten Forschungs und Engineering Ablauf.
Daten und Experimente
Datenaufbereitung, Feature Engineering, Validierungsprüfungen, Modellvergleich und reproduzierbare Experimentabläufe konzipiert.
Recommender Design
Die Empfehlungspipeline implementiert und evaluiert, gelernte Signale integriert und Zielkonflikte zwischen Relevanz und Qualität an Projektpartner kommuniziert.
Höhere Quellenqualität ohne geringere Baseline Präzision.
Der qualitätsbewusste Ansatz erhöhte die durchschnittliche Qualität empfohlener Nachrichtendomains um 3 Punkte und erhielt gleichzeitig die Präzision der relevanzorientierten Baseline.
Wo diese Fähigkeit Mehrwert schafft.
Medien und Content Produkte
Engagement mit Vertrauen, Qualität, Sicherheit, Vielfalt oder redaktionellen Produktzielen ausbalancieren.
Marktplätze und Discovery Systeme
Geschäftliche Qualitätssignale in das Ranking integrieren, damit nicht nur Relevanz darüber entscheidet, was Nutzer sehen.
Evaluation verantwortungsvoller KI
Ein abstraktes Qualitätsproblem in Signale, Experimente und messbare Zielkonflikte überführen, die Teams prüfen können.
Modernisierung von Empfehlungssystemen
Eine bestehende Ranking Pipeline evaluieren und zusätzliche Ziele integrieren, ohne die gesamte Produktarchitektur zu ersetzen.
Arbeiten Sie an Empfehlungs oder Ranking Qualität?
Beschreiben Sie das aktuelle Produkt, verfügbare Daten und den Zielkonflikt, den Sie messen möchten.