Jeffrey Parsons

Prof. Jeffrey Parsons, Ph.D. ist University Research Professor und Professor of Information Systems an der wirtschaftswissenschaftlichen Fakultät der Memorial University of Newfoundland (CDN). Seine Forschungsinteressen liegen in den Bereichen konzeptionelle Modellierung, Crowdsourcing, Informationsqualität, Datenintegration sowie Empfehlungssysteme. Zu diesen Themen hat er bereits zahlreiche Artikel in renommierten Zeitschriften in den Fachgebieten Information Systems (z. B. MIS Quarterly, Information Systems Research, Journal of the Association for Information Systems), Management (z. B. Management Science), Informatik (z. B. ACM Transactions on Database Systems, IEEE Transactions on Knowledge and Data Engineering) sowie in der Biologie (z. B. Nature, Conservation Biology) veröffenlicht. Aktuell ist er Senior Editor bei MIS Quarterly und war außerdem als Senior Editor für das Journal of the Association for Information Systems sowie als Program Co-Chair für eine Vielzahl führender Information Systems-Konferenzen (z. B. AMCIS, WITS und ER) tätig.

Design von Daten-Crowdsourcing-Plattformen zur Steigerung der Datenqualität

Crowdsourcing ist heutzutage eine verbreitete Herangehensweise, um Menschen in die Sammlung von Daten einzubeziehen. Eine zentrale Herausforderung beim Crowdsourcing ist es, sicherzustellen, dass die Daten vielfältig genug sind, um nicht vorhergesehene Anwendungsfälle unterstützen zu können. Im Rahmen des Forschungsprojekts sollen zunächst experimentelle Studien durchgeführt werden, um die Hypothese zu testen, dass die Expertise der Beitragenden negativ mit der Vielfalt der Daten verbunden ist, aber keinen Einfluss auf die Datengenauigkeit hat. Basierend auf diesen Studien sollen anschließend Designmerkmale abgeleitet und bewertet werden, die darauf abzielen, die Vielfalt von Crowdsourcing-Daten zu erhöhen. Die Forschungsergebnisse werden zu einem besseren Verständnis beitragen, wie man Crowdsourcing-Plattformen gestaltet, um die Fähigkeit zur Erfassung von qualitativ hochwertigen, vielfältigen Daten zu maximieren.