Come misurare la "completezza" dei collaboratori di SE?

12

Stack Exchange, come lo sappiamo tutti, è una raccolta di siti di domande e risposte con argomenti diversificati. Supponendo che ogni sito sia indipendente l'uno dall'altro, date le statistiche di un utente, come calcolare la sua "completezza" rispetto al ragazzo successivo? Qual è lo strumento statistico che dovrei utilizzare?

Ad essere sincero, non so come definire matematicamente la "rotondità", ma deve avere le seguenti caratteristiche:

A parità di condizioni, più un utente ha un rappresentante, più è completo
A parità di condizioni, maggiore è il numero di siti a cui un utente partecipa, più è completo.
Se la risposta o la domanda non influiscono sulla rotondità

ranking diversity

— Graviton
fonte

Come definireste "completezza" nel contesto SE, prima di tutto?

— JM non è uno statistico

@JM, non lo so, è per questo che spero che la community possa aiutare a dare un tocco in più ai concetti.

— Graviton,

1

A rischio di sembrare una delle poliziotte del PC istintivo - Comprendiamo le donne che visitano il nostro sito. @Graviton, tutti i tuoi riferimenti sono ai maschi.

— rolando2,

La rotondità definita da un ID utente non indica la rotondità di un contributore , poiché un collaboratore può avere ID utente diversi per diversi SE. Alcuni ID utente possono anche essere utilizzati da più di un collaboratore (ad es. Partner che condividono un account).

— Alexis,

7

È necessario tenere conto anche della somiglianza tra i siti. Qualcuno che partecipa a StackOverflow e ai consigli stagionali è più completo rispetto a qualcuno che partecipa a SO e CrossValidated, che è a sua volta (direi) più arrotondato di qualcuno che partecipa a SO e programmatori . Ci sono indubbiamente molti modi per farlo, ma puoi controllare la registrazione sovrapposta per avere un'idea.

— Matt Parker
fonte

1

@Matt Parker, punti positivi - Se rep è parte della metrica, penso anche che tu debba guardare come è stato guadagnato il rappresentante. Una persona che ha ottenuto il proprio rappresentante da piccoli guadagni su molte domande / risposte sarebbe probabilmente più ben arrotondata di una persona che ha ottenuto lo stesso rappresentante su una singola domanda che ha ottenuto un sacco di voti positivi.

— DQdlM,

3

@Kenny Questo è un buon punto e penso che il modo in cui hai affermato sia corretto, ma mi sento come se molte delle domande e delle risposte più votate siano spesso indicative di competenza, mentre le buone risposte a domande tecniche davvero grintose hanno spesso voti molto bassi.

— Matt Parker,

1

Controlla le risposte di whuber, per esempio. Le sue risposte sono uniformemente eccellenti, quindi cosa differenzia tra le sue risposte molto apprezzate e il suo 1 voto? Quando guardo il primo, vedo delle risposte superbe alle domande che capisco; in quest'ultimo caso, risposte superbe a domande che non ho nemmeno iniziato a lamentarmi. Quindi le risposte a basso voto possono effettivamente essere indicative di una profonda specializzazione (ma nota: se sei curioso di sapere come appare un utente SE a tutto tondo, questo è tutto ).

— Matt Parker,

1

In effetti, @Graviton, potrebbe essere saggio cercare utenti multi-sito che considereresti a tutto tondo e vedere come si comportano nelle tue varie metriche.

— Matt Parker,

1

@KennyPeanuts, a complemento del punto di cui sopra sopra Matt, sembra che ci sia anche un numero apprezzabile di utenti sui siti SE che rispondono a un numero tremendo di domande, ma con pochi voti positivi. Questo non è di solito indicativo di competenza o completezza, neanche. (Tuttavia, è una delle strategie più semplici per guadagnare "reputazione").

— cardinale

6

ESEMPIO: diciamo che ci sono tre siti e vogliamo confrontare la rotondità degli Utenti A, B, C. Scriviamo la reputazione degli utenti sui tre siti in forma vettoriale:

Utente A: [23, 23, 0]

Utente B: [15, 15, 0]

Utente C: [10, 10, 10]

Considereremmo A più arrotondato di B (la loro reputazione è distribuita uniformemente su due siti, ma A ha una reputazione più totale). Inoltre, considereremmo C più arrotondato di B (hanno la stessa reputazione totale, ma C ha una diffusione uniforme su più siti.) Non è chiaro se A debba essere considerato più arrotondato di C o viceversa .

$x_A$ $x_B$ $x_C$

$f(x)$ $f$ $f(x_A) > f(x_B)$ $f(x_C) > f(x_B)$

$f(x)$

Due esempi comuni di funzioni convesse sono la "norma frazionaria"

f ([x_{1}, . . ., x_{m}]) = \sum_{i} x_{i}^{p}

$f([x_1,...,x_m]) = \sum_i x_i^p$

$0 < p < 1$

$p = 1/2$

f (x_{A}) = 2 \sqrt{23} \approx 9.6

$f(x_A) = 2\sqrt{23} \approx 9.6$

f (x_{B}) = 2 \sqrt{15} \approx 7.7

$f(x_B) = 2\sqrt{15} \approx 7.7$

f (x_{C}) = 3 \sqrt{10} \approx 9.5

$f(x_C) = 3\sqrt{10} \approx 9.5$

$1/2$

$f$

f ([x_{1}, . . ., x_{m}]) = - \sum_{i} x_{i} \log (x_{i} / c) .

$f([x_1,...,x_m]) = -\sum_i x_i \log(x_i/c).$

$c = \sum_i x_i$

$f$

f (x_{A}) = 46 \log (2) \approx 31.9

$f(x_A) = 46 \log(2) \approx 31.9$

f (x_{B}) = 30 \log (2) \approx 20.8

$f(x_B) = 30 \log(2) \approx 20.8$

f (x_{C}) = 30 \log (3) \approx 33.0

$f(x_C) = 30 \log(3) \approx 33.0$

Misurato secondo l'entropia di Shannon in scala, quindi, diremmo che C è il più arrotondato dei tre e A il secondo più arrotondato.

$f(x)$

EDIT2: aggiunto un esempio alla luce del commento di Whuber.

— charles.y.zheng
fonte

f

$f$

f

$f$

[1, 101]

$[1,101]$

f

$f$

La norma frazionaria non è definita quando una qualsiasi x_i <0. L'entropia di Shannon fallisce quando una qualsiasi x_i / c ≤ 0. Non ha senso che una misura di rotondità esploda improvvisamente quando alcune x_i cambiano da 0 a -𝜀.

— 200_successo

4

Questa è una domanda davvero molto interessante (in effetti sono un po 'innamorato dell'idea di modellare i siti di scambio di stack in generale).

Sulla questione della completezza, un modo per valutarlo sarebbe attraverso i tag a cui gli utenti particolari tendono a rispondere e la loro distribuzione tra i siti. Gli esempi possono rendere questo più chiaro.

Sono un membro di TeX, StackOverflow, CrossValidated e AskUbuntu. Ora, contribuisco davvero solo a qui e StackOverflow, e solo a R su Stackoverflow. Quindi, per definire una buona rotondità, guarderei a) la quantità di tag che due siti hanno in comune (per definire la somiglianza tra i siti) e la misura in cui un utente risponde a domande su siti che hanno tag piccoli o assenti in comune.

Se, ad esempio, qualcuno contribuisce ai tag Python su StackOverflow e cucina, quella persona è più a tutto tondo di qualcuno che sta rispondendo a domande su software statistico (ad esempio) su Overflow e statistiche qui.

Spero che questo sia in qualche modo utile.

— richiemorrisroe
fonte

4

(+1) Qualcuno che sta contribuendo ai tag Python sia su SO che in cucina ha alcuni sapori esotici nel cibo :-) Ho sentito che sa di pollo.

— whuber

3

Se definissi "completezza" come "contributo a molti diversi siti di scambio di stack", calcolerei alcune metriche di contributo per sito. È possibile utilizzare post totali o post medi al giorno o forse reputazione. Quindi osserva la distribuzione di questa metrica su tutti i siti e calcola la sua asimmetria in un modo che abbia senso.

In altre parole, una persona "a tutto tondo" sarebbe una persona che contribuisce a molti siti diversi, mentre una persona "non a tutto tondo" sarebbe una persona che contribuisce principalmente a un sito. Potresti migliorare ulteriormente ridimensionando la metrica con il totale di un utente su tutti i siti. vale a dire qualcuno che ha contribuito molto a molti siti diversi dovrebbe essere considerato più completo rispetto a qualcuno che non ha contribuito a nessuno dei siti. Una persona che non ha mai usato SE non è molto ben arrotondata!

— Zach
fonte

1

Già molte buone risposte, quindi perché ancora una? Questo è principalmente per attirare l'attenzione sulle idee interessanti discusse qui al The n-Category Café . Mentre la diversità nell'ecologia (e altrove) guarda principalmente all'abbondanza, si dovrebbe anche guardare a quanto siano simili / diverse le diverse specie.

Rappresentando le specie (o qualsiasi altra cosa, come i siti SE ...) come punti in uno spazio metrico, ciò porta a generalizzare l' entropia negli spazi metrici, vedi ad esempio L'entropia massima di uno spazio metrico di Tom Leinster, Emily Roff . Le stesse idee potrebbero essere utilizzate all'interno dei siti SE guardando i tag come punti in uno spazio metrico.

— kjetil b halvorsen
fonte