Improving decision making in crowdsourcing

Crowdsourcing beschreibt ein Ansatz, mit dem Organisationen systematisch nutzergenerierte Daten von grossen Netzwerken an Personen sammeln können. Während in den vergangenen Jahren bereits die technologischen Voraussetzungen für die Analyse solcher Daten geschaffen wurden, ist noch weitestgehend unklar, wie sich Entscheidungsprozesse in Unternehmen durch den Zugang zu diesen Daten verändern. Das Ziel der Dissertation ist es, (1) eine Charakterisierung der im Crowdsourcing entstehenden Entscheidungsprozesse vorzunehmen, (2) ein besseres Verständnis dafür zu schaffen, wie diese Entscheidungsprozesse mithilfe von Text Mining und Machine Learning verbessert werden können und (3) Gestaltungswissen für Entscheidungsunterstützungssysteme im Crowdsourcing zu entwickeln. Dazu ist die Dissertation in drei Teilen organisiert. Ziel des ersten Teils ist es, typische Muster von Entscheidungsprozessen im Crowdsourcing zu beschreiben. Es wird eine explorative Interviewstudie durchgeführt, um besser zu verstehen, wie die Struktur von Entscheidungsproblemen, die Eigenschaften der verfügbaren Daten und die Art und Weise der Datengenerierung die Entscheidungsprozesse beeinflussen. Im zweiten Teil wird untersucht, wie Entscheidungsprozesse im Crowdsourcing durch Text Mining und Machine Learning verbessert werden können. Mithilfe von statistischen Analysen soll erklärt werden, wie Netzwerke von Personen wertvolle Beiträge für Unternehmen schaffen und wie diese Beiträge effizient und effektiv identifiziert werden können. Der dritte Teil folgt abschliessend einem gestaltungsorientierten Forschungsansatz. Ziel ist es, Gestaltungswissen für die Entwicklung von Entscheidungsunterstützungssystemen im Crowdsourcing auszuarbeiten. Zusammengefasst bietet die Dissertation damit eine Reihe von wichtigen theoretischen Beiträgen. Erstens zeigt die Dissertation die Grenzen der traditionellen Entscheidungstheorie in datengetriebenen Kontexten, w