На модерации: Недопустимое название — Викисловарь

Содержание

Запись отправлена на модерацию: school_lj — LiveJournal

Поговорим ещё чуть-чуть о сообществах, хорошо?

Прошлые уроки можно найти по тэгу «сообщества в ЖЖ».

А сегодняшняя тема – модерируемые сообщества. Наверняка каждый пользователь ЖЖ хоть раз сталкивался с ними. 

В этом уроке мы поговорим о модерируемых сообществах со стороны участников. Итак, вы отправили свою запись в сообщество, а в ответ получили загадочное «Запись добавлена в очередь на модерацию.» Что это значит и чего ждать дальше?

А ждать вам теперь одобрения (или неодобрения) одного из модераторов сообщества. Теперь кто-то другой решает, появится ваша запись в сообществе или нет.

Модерируемое сообщество – это сообщество, запись в котором появится не сразу после того, как пользователь отправит её, а только после одобрения модератора (или смотрителя либо владельца). Модераторы могут отклонить запись, и тогда она вообще не появится в сообществе.

Модерация включается в сообществах для того, чтобы не пропускать спам или записи, не соответствующие тематике. Я советую перед тем, как написать что-то в сообщество, прочитать внимательно его профиль: чаще всего там будут указаны правила и различные требования к записям (например, к их содержанию или оформлению). Кстати, в профиле же можно узнать, модерируется ли сообщество. Это видно в строке «Могут писать», вот тут:

Как же работает модерация?

Шаг 1. Вы отправили запись в сообщество.

После того, как вы нажали на кнопку «Отправить в…», вы увидели такую страницу:

Это значит, что запись попала в очередь на модерацию.

Но возможны и другие варианты. Вы можете увидеть следующие ошибки:

  • Очередь модератора переполнена
  • Достигнут максимум записей в очереди для этого сообщества и отправителя

В обоих случаях ваша запись не отправлена в сообщество. 

В первом случае причина в том, что на модерации уже находится слишком много записей от других участников(их может быть максимум 250), и пока кто-то из модераторов не пропустит хотя бы одну запись, ваша отправлена не будет.

Вторая ошибка возникает, если вы уже отправили в сообщество запись, и она до сих пор не прошла модерацию. Тут возможны варианты:

  • если у сообщества базовый или улучшенный аккаунт, в очереди может находиться только 1 ваша запись
  • если у сообщества платный аккаунт, в очереди может находиться до 5 ваших записей.

Вы сможете отправить следующую запись только после того, как кто-то из модераторов пропустит (или отклонит) предыдущую.

Шаг 2. Модераторы сообщества получают уведомление о новой записи в очереди на модерацию

После того, как вы отправили свою запись, и она попала на модерацию, модераторам приходит об этом сообщение на почту (если они настроили их получение, конечно). Такое письмо приходит всем модераторам, и любой из них может зайти и проверить очередь на модерацию.

Шаг 3. Модератор должен одобрить или отклонить запись

Зайдя на страницу проверки очередь на модерацию, модератор должен одобрить или отклонить её. Кроме того, в некоторых случаях модератор может отредактировать метки записи, которые вы проставили (или не проставили).

Если запись является спамом, модератор может удалить её с пометкой «Это спам», и вы больше вообще не сможете написать в это сообщество.

Если запись одобрена, она появляется в сообществе. Вы получите об этом письмо на почту.

Если запись отклонена, она, соответственно, не появится в сообществе. Вы получите на почту уведомление с полным текстом записи и, возможно, с причиной её отклонения — если модератор её указал (но он может этого и не сделать). Если причины нет, вы можете обратиться за разъяснениями к одному из модераторов (их список можно найти в профиле сообщества). К сожалению, сейчас в письме не указывается, кто именно отклонил вашу запись.

Вот и всё! В следующем уроке посмотрим на модерируемые сообщества с другой стороны баррикад — со стороны модераторов.

А вы часто сталкиваетесь с модерируемыми сообществами? Отклоняли ли когда-нибудь ваши записи?


Информационный портал МЭШ

Образовательные материалы Библиотеки МЭШ, размещаемые в общем доступе, проходят обязательную процедуру модерации, которую проводят опытные учителя и методисты.

Модератор проверяет присланные материалы на соответствие техническим и методическим требованиям к контенту.

После успешной модерации материалы публикуются в общем доступе.

 

В случае, если модератор отмечает несоответствие материалов техническим или методическим требованиям, материал возвращается на доработку.

Один материал можно отправлять на модерацию трижды.

Максимальный период модерации материалов – до 15 рабочих дней.

 

Специалистами Института содержания, методов и технологий образования были разработаны рекомендации по разработке сценария темы и электронного учебного пособия.

 

Брошюра «Сценарий изучения темы»

В брошюре собрана основная информация о требованиях к новому типу образовательного контента, сценарию изучения темы, приведены методические рекомендации, которые будут полезны при разработке данного типа электронного образовательного материала, а также представлены ответы на самые популярные вопросы авторов-разработчиков.

 

 

Брошюра «Электронное учебное пособие»

В брошюре собрана основная информация о предъявляемых требованиях к электронным учебным пособиям, разных видов: сборник задач или упражнений, рабочая тетрадь, самоучитель, методические рекомендации для учителей,  а также приведены методические рекомендации, которые будут полезны при разработке данного типа контента, и представлены ответы на самые популярные вопросы авторов — разработчиков.

 

Рекомендации по оформлению материалов

Брошюра поможет педагогам избежать самых распространённых ошибок при создании контента. 

 

Требования к материалам

Также подготовлен перечень требований к электронным образовательным материалам Московской электронной школы. В данной брошюре собрана основная информация о требованиях к образовательному контенту, размещаемому в Библиотеке МЭШ, и отмечены критерии модерации каждого вида материалов. 

 

Вся информация о модерации, а также контакты Единого центра модерации размещены здесь.

Как работает модерация — BBC News Русская служба

Являясь новостной организацией, мы сообщаем о самых разных событиях, многие из которых вызывают живой интерес. Наша аудитория весьма разнообразна, и мы обязаны объективно и взвешенно освещать события.

Мы приветствуем живые, интересные дискуссии, но в то же время считаем, что некоторые темы наших форумов всегда будут нуждаться в пристальном внимании со стороны редакторов. Именно поэтому на наших форумах работают два вида модерации:

1. Полная модерация

Она также называется премодерацией. Каждое сообщение, приходящее на полностью модерируемый форум, проверяется модератором перед публикацией на сайте. Мы стараемся публиковать как можно больше сообщений, однако, к сожалению, в связи с большим их количеством мы не можем гарантировать, что все сообщения будут опубликованы.

2. Постмодерация

Если в дискуссии включена постмодерация, и вы являетесь зарегистрированным участником форумов, ваше сообщение сразу публикуется на сайте. Однако если вы незарегистрированный участник, ваше сообщение должен будет проверить модератор Би-би-си, прежде чем оно появится на сайте. Мы не можем гарантировать, что все полученные сообщения будут опубликованы.

Би-би-си следит за содержимым форумов с постмодерацией. Любые сообщения, нарушающие Правила форумов, будут удалены. Мы рекомендуем вам зарегистрироваться, чтобы получить доступ ко всем возможностям постмодерируемых форумов. Однако если участник форумов регулярно нарушает правила, или если нарушения носят серьезный характер, модератор имеет право изменить статус зарегистрированного пользователя и перевести его сообщения в режим полной модерации либо отменить его регистрацию.

Участники форумов могут пожаловаться на любое сообщение на сайте, щелкнув по ссылке «Пожаловаться на это сообщение» непосредственно под текстом.

Мы стараемся как можно чаще пользоваться постмодерацией в форумах, поскольку это заметно расширяет число участников дискуссии. Однако в некоторых форумах необходимо использовать полную модерацию. Мы надеемся, что со временем вы, участники наших форумов, будете помогать нам принимать эти редакционные решения.

3. Ответная модерация

При ответной модерации: комментарии обычно проверяются, только если по ним поступила жалоба. Если вы увидели на форуме или в блоге, где применяется ответная модерация, комментарий, который, на ваш взгляд, нарушает Правила форумов, пожалуйста, воспользуйтесь ссылкой «Пожаловаться на это сообщение», чтобы дать знать об этом модератору.

Обычно на форуме или блоге четко указано, какой тип модерации применяется. Имейте в виду, что при ответной модерации большая часть комментариев не будет проверена модераторами, пока по ним не поступит жалоба. Тем не менее Би-би-си оставляет за собой право применять любой тип модерации в любых форумах, блогах, в отношении любых пользователей и даже отдельных слов и фраз.

Модерация видео с помощью средства проверки Content Moderator — Azure Cognitive Services

  • Чтение занимает 3 мин

В этой статье

Внимание!

Средство проверки Content Moderator устарело и его поддержка будет прекращена 31 декабря 2021 г.

Используйте модерацию видео с применением машинных алгоритмов и средство проверки Content Moderator для модерации видео и расшифровок в целях выявления содержимого для взрослых (откровенного содержимого) и непристойного содержимого, чтобы получить наилучшие результаты для своего бизнеса.

Просмотр видео при проверке

На панели мониторинга выберите любую очередь проверки в рамках данного типа содержимого видео. В результате запускается проверка и открывается страница модерации содержимого видео.

Число отзывов

С помощью ползунка в правом верхнем углу задайте количество проверок, которое должно отображаться на странице.

Тип представления

Различные записи содержимого можно просматривать в виде плиток или в подробном представлении. Подробное

представление позволяет увидеть ключевые кадры и другие сведения о выбранном видео.

Примечание

Вместо вывода кадров с регулярными интервалами служба модерации видео идентифицирует и выводит только потенциально полные (эффективные) кадры. Эта функция позволяет создавать эффективные кадры для анализа на уровне кадра на наличие содержимого для взрослых и непристойного содержимого.

В мозаичном представлении каждое видео отображается как одна плитка. Нажмите кнопку развертывания над кадром видео, чтобы увеличить это видео и скрыть другие.

Эффекты маскировки содержимого

Эти эффекты маскировки содержимого задаются с помощью переключателей Размыть все и Черно-белое.

Они включены по умолчанию. В мозаичном представлении эффекты можно переключать по отдельности для каждого видео.

Проверка сведений о видео

В подробном представлении на правой панели отображается несколько вкладок с подробными сведениями о видео.

  • Перейдите на вкладку Заметки, чтобы добавить пользовательские примечания в видео.
  • Перейдите на вкладку Расшифровка, чтобы просмотреть расшифровку видео—. Служба автоматически извлекает расшифровку любой речи в видео. Если выделить часть текста, видеопроигрыватель переходит к соответствующей части видео.
  • Перейдите на вкладку Метаданные
    , чтобы просмотреть метаданные видеофайлов.
  • Перейдите на вкладку Журнал, чтобы просмотреть историю проверки, например, когда она была создана и как она была изменена.

Основная задача проверки видео — применение или удаление тегов в видео или его частях.

Групповое добавление тегов

Панель инструментов Групповые теги позволяет добавлять теги сразу в несколько выбранных видео. Выделите одно или несколько видео, а затем выберите теги, которые нужно применить, и нажмите кнопку Отправить.

Добавление тегов к ключевым кадрам

Теги модерации также можно добавлять в определенные ключевые кадры. Выделите кадры в области плиток ключевых кадров, а затем выберите

Теги для ключевых кадров + , чтобы применить нужные теги.

Примечание

Если службе не удалось извлечь ключевые кадры, в области плиток ключевых кадров отображаются сообщение Нет доступных кадров и недоступный элемент выбора ключевых кадров. В этом случае теги можно применять только к видео в целом (с помощью кнопки Теги для видео + ).

Перевод проверки на удержание

Кнопка удержания в нижней части области видео позволяет перевести проверку в режим удержания, чтобы его можно было получить и завершить позднее.

Это можно сделать для проверки, при выполнении которой требуется консультация другого члена команды или руководителя, которые в данный момент недоступны.

Видео в режиме удержания можно просмотреть, нажав кнопку Удержание наверху экрана. Справа появляется панель «Удержание». Здесь можно выбрать несколько проверок в режиме удержания, освободить их обратно в очередь либо задать срок их действия. По истечении предварительно настроенного периода времени проверки в режиме удержания возвращаются обратно в очередь. Выберите Сохранить, чтобы начать отсчет текущего выбранного срока действия.

Отправка проверки

После применения тегов нажмите кнопку Отправить в нижней части области видео. Если тегами отмечено несколько видео, их можно отправить как в одной проверке, так и в нескольких отдельных проверках.

Состояние Лимбо

После отправки проверки видео переходит в состояние Лимбо, которое можно просмотреть, нажав кнопку Лимбо в верхней части экрана. Видео остаются в состоянии Лимбо в течение предварительно настроенного периода времени (который можно изменить в меню внизу) либо до повторной проверки или отправки вручную.

После истечения срока пребывания видео в состоянии Лимбо их проверки помечаются как завершенные.

Дальнейшие действия

Почему выпуск попал на модерацию?

Модерация — это ручная проверка письма и подписчиков аккаунта, которая проводится, чтобы не допускать рассылку спама. На модерацию попадают выпуски, которые не прошли автоматическую проверку перед отправкой. Специалисты смотрят, удовлетворяет ли выпуск требованиям антиспам-политики Sendsay, а именно:

  • тема письма соответствует содержанию,

  • в письме нет откровенного спама,

  • в письме указаны адрес отправителя и ссылка для отписки,

  • в базе подписчиков небольшой процент подозрительных адресов.

Модерация не только защищает мир от спама, но и помогает поддерживать репутацию Sendsay у почтовых сервисов — это показатель, который влияет на доставляемость рассылок каждого клиента и рассчитывается в том числе по количеству жалоб на спам.

Как проходит модерация

Если выпуск отправится на ручную проверку, в журнале заданий у рассылки изменится статус — «На модерации». Рассылки проверяются перед самой отправкой, поэтому запланированные выпуски могут выйти позже графика.

Мы модерируем рассылки ежедневно с 8:00 до 19:00 по московскому времени. В будни проверка занимает от пятнадцати минут до трёх часов, в выходные и предпраздничные дни — чуть дольше. Если после модерации возникнут вопросы, модератор напишет вам на электронную почту, которую вы указали при регистрации аккаунта.

Почему рассылки попадают на модерацию

Это первая рассылка в аккаунте

Если у вас новый аккаунт, учитывайте при планировании рассылки, что мы всегда проверяем первые несколько выпусков.

В базе много подозрительных адресов

Подозрительные адреса — это неподтверждённые электронные почты, которые делятся на ролевые (это адреса для рабочих задач — например, [email protected], [email protected], [email protected], [email protected], [email protected]) и адреса, которые можно найти в открытом доступе. Во время модерации анализируется не только список отправки, а база всего аккаунта — поэтому если у вас много подозрительных контактов, мы попросим доказать, что вы получили эти адреса легально.

Что делать: если подозрительными считаются контакты, которые нужны вам для работы, подробно расскажите службе поддержки, чем занимается ваша компания, кто ваши клиенты и как вы собрали электронные адреса (поможет скрин формы сбора контактов или фотография бумажной анкеты).

Стоит также всегда следить за своими подписчиками и поддерживать базу в чистоте:

  • рассылайте письма только на те адреса, владельцы которых выразили согласие на получение рассылки,

  • собирайте базу самостоятельно, а не покупайте адреса и не берите их из открытых источников.

Почтовые сервисы не принимают ваши рассылки или отправляют их в папку «Спам»

Основные почтовые сервисы (Mail.Ru, Gmail и Яндекс) стараются оградить своих пользователей от нежелательных рассылок, поэтому если ваши письма сочтут подозрительными, то до адресатов они не дойдут. Тут возможны два сценария:

  • письма вообще не пропустят в почтовые ящики — тогда мы заблокируем аккаунт до выяснения причин, и до снятия блокировки новые рассылки выходить не будут,

  • письма пропустят в почтовые ящики, но они попадут в папку «Спам» — тогда мы приостановим выпуск и сообщим вам о проблеме. Выпуск можно продолжить в любой момент.

Что делать: в любом случае напишите в службу поддержки почтового сервиса — только они помогут разобраться с проблемой.

Стоит также всегда следить за своими подписчиками и поддерживать базу в чистоте:

Рост ошибок доставки

Ошибка доставки возникает, когда письмо не доходит до адресата. Причины могут быть самые разные: например, у получателя заполнен ящик или почтовый сервис отказывается принимать рассылку. Если в выпуске больше 5% ошибок доставки, следующие выпуски блокируются до выяснения причин.

Что делать: напишите в службу поддержки, чтобы снять блокировку, — без этого новые рассылки выходить не будут.

Рост отписок

Мы анализируем количество отписавшихся одновременно за несколько периодов (дни, недели и месяцы). Если видим резкий всплеск отписок, начинаем модерировать следующие выпуски — и проверяем каждую рассылку до тех пор, пока статистика не придёт в норму.

Что делать: чаще всего подписчики отписываются, если вы шлёте письма слишком часто, если в рассылке нерелевантный контент или если ваша база устарела. Проверьте — возможно, дело в одной из этих причин.

Читайте также: Почему люди отписываются от рассылки и как с этим бороться?

Почему моя публикация оказалась на модерации? — Помощь. Как работать на портале

Модераторы – участники проекта, входящие в состав Администрации сайта.

Пользователи, конечно, могут и не подчиняться требованиям модераторов, но при этом «замодерированная» публикация может так и остаться невидимой для остальных пользователей. Слишком долгое исправление недостатков, может привести к тому, что при снятии публикации с модерации, она окажется не на первой странице, а в глубине сайта. Ну а прямое нарушение условий пользовательского соглашения, может привести к временному, или даже полному блокированию пользователя.

Модераторы, в закрепленных за ними разделах (а супермодераторы во всех), обязаны:

1. Отслеживать и снимать с публикации (отправлять на модерацию), либо удалять/редактировать «грязный» контент в рубриках без премодерации.

2. Проверять и разрешать/запрещать публикацию контента в разделах с премодерацией.

3. Отслеживать «чистоту» и корректность комментариев, делать предупреждения пользователям, либо удалять комментарии противоречащие закону, или этическим нормам.

4. Проверять соответствие названия (темы, заголовка) публикаций выбранному пользователем разделу, и при необходимости переносить материал в соответствующий раздел, а так же устанавливать соответствующую тематике публикации метку принадлежности к отраслям права. При этом, модераторы не должны, без крайней необходимости, подавлять волю авторов, а должны стремиться к их «обучению и воспитанию».

5. Кроме того, супермодераторы могут самостоятельно исправлять мелкие недочеты публикаций – исправлять орфографические ошибки, некорректные ссылки, размеры иллюстраций и т.п., не нарушая при этом авторского замысла.

В случае размещения пользователем материала, не отвечающего стандартам публикации соответствующего раздела, в т.ч. общепринятых стандартов форматирования – состоящего только из заглавных букв, перегруженного смайликами и/или восклицательными знаками, пошлостями и т.п., вправе отправить данный материал на модерацию, и оставить пользователю сообщение – комментарий, с указанием на ошибки и способы их исправления, а так же срок на внесение изменений.

В этом случае, материал пользователя и комментарии модератора будет виден только самому автору и модератору. При этом пользователь сможет редактировать (устранять недостатки) свой материал как обычную публикацию (черновик).

Если пользователь (автор) устранит свои ошибки и выполнит указания модератора, то модератор снимает публикацию с модерации (т. е. разрешает) её публикацию, после получения личного сообщения от автора, и проверки корректности отредактированной публикации. Узнать, кто замодерировал публикацию, можно наведя курсор к знаку модерирования, как показано на рис. 1

Рисунок № 1


И все-таки, можем ли мы доверять пользователям? / Хабр

О чем эта история? О том, что нас постоянно должен кто-то оберегать от крайностей в интернет дискуссиях. О том, что делается организаторами дискуссий, чтобы позволить нам хоть как-то приемлемо общаться, и как им не удается справиться с этой задачей. О том, чего нам не хватает при таком общении и что нового можно предложить в области модерирования.

Итак, на сцене под жарким светом софитов – модерация интернет дискуссий, а точнее комментариев.

В чем же проблема, с чем боремся?

Дискуссия на интересующую тебя тему — так это же здорово! Интересный собеседник на другом конце континента – это ли не мечта наших предков! Однако, в онлайн дискуссиях есть ложка дегтя: постоянно кто-то мешает.

С этой проблемой сталкиваются начинающие блогеры, впервые окунувшиеся в чудный онлайн мир и открывшие всему миру на своем блоге заветный диалог комментирования. С ней же бьются интернет-гиганты, вкладывающие в эту задачу ежегодно миллионы долларов и нанимающие сотни тысяч дополнительных модераторов в период всплеска активности пользователей, обсуждающих топовые новости, катастрофы, пандемии и т.д.

Когда-то такой проблемой был явный спам, а самыми большими вредителями были интернет-боты, которые были запрограммированы изображать из себя пользователей, и спамить для выгоды их хозяев по диалогам комментирования. С таким типом помех в дискуссиях организаторы, пусть с разной степенью успеха, но научились бороться. Научились их обескураживать и запутывать. Спасибо сервисам капчи, автоматическим фильтрам, нейросетям и Akismet, что с нами, что охраняете нас от явного спама!

На автомат – найдется другой автомат.

Но, оказалось, что организаторам выдохнуть все же нельзя. Защитив обсуждение от массовых рассылок интернет-ботов, его также нужно защитить и от людей, не соблюдающих правила дискутирования онлайн. И тут оказалось, что автоматическими методами обойтись не получится, ибо слабы они.

Потому что они сейчас находятся еще не в той точке развития. Потому что они еще очень плохо понимают смысл человеческих диалогов. Потому что, по-прежнему, как и во времена Карела Чапека, лучшие умы человечества все еще бьются над задачей создания сильного ИИ, способного действительно понимать нас. Потому что нарушающий правила пользователь, при желании, преспокойно обходит фильтры, нейросети, и прочие псевдо-разумные автоматы.

Так что мы имеем сейчас?

В итоге, организация дискуссии, по-прежнему, требует присутствия человека модератора. Да, конечно, программы умнеют и позволяют сократить множество проверок. Но они и ошибаются, причем, и нередко, но метко. В итоге, за человеком-модератором, по-прежнему, остается окончательное решение: нарушает ли тот или иной комментарий правила, выходит ли он за рамки обсуждения, не обманул ли данный комментарий автомат. Ну так и где же нам взять нужное количество модераторов для всех диалогов?

Сейчас владельцы сайтов сталкиваются с ситуацией, что, в ряде случаев, комментарии лучше вообще отключить.

Это может быть проще и для блогера, который хочет сосредоточиться на написании статей (а может и на чем-то более приятном) и который и не имеет возможности (да и не хочет — зачем ему это?) отвлекаться на модерирование обсуждений. Это может быть проще и экономически целесообразнее и для крупных интернет-компаний. Это, например, сделал в марте 2019 года видеохостинг YouTube, который ввел новые правила, после которых, десятки миллионов видео лишились кнопки «Оставить комментарий». А все потому, что рекламодатели не довольны комментариями, зачастую сексуального характера и отказываются рекламироваться в таком информационном окружении. Вот тут и привет автоматическому модерированию! Ну не могут они!

А как же сами дискутирующие пользователи? Могут ли они помочь?

Казалось бы, да. Большинство пользователей заинтересованы в адекватном проведении дискуссии. В конце концов, адекватных людей больше, чем неадекватных, и они могли бы как-то участвовать в процессе модерации, как-то оценивать комментарии и друг друга самостоятельно. Очень заманчиво, не правда ли? Вроде, и модератор не особо тогда нужен. Как и в обычной жизни, когда адекватность дискуссий под нашим контролем и если кто-то мешает обсуждению, то сообщество просто исключает его. В некоторых случаях даже кулаками.

В интернете же все не так, потому что все равны, потому что нет доверия пользователям. По умолчанию. Давать возможность напрямую модерировать чужие комментарии простому пользователю — это безумие, интернет-харакири для организатора.

И все же попытки передать пользователям хотя бы часть управления дискуссией продолжаются. Уж больно заманчиво.

Вот, например, можно позвать модератора в случае нарушения. Помните? Та самая заветная кнопка “пожаловаться”. Класс! Только вот что-то лениво нашему блогеру, не спешит он особо. Да и вообще, может вы ее шутя нажали?

Или, например, если много пользователей указывают на нарушение, тогда, пожалуй, можно и довериться такой коллективной модерации и автоматически скрыть нарушение. Но и тут есть трудности. А что если недостаточно пользователей для организации коллективного голосования? И вообще-то, как-то есть подозрение, что такое голосование можно накрутить с разных браузеров.

Или можно попробовать выбрать наиболее объективных пользователей и дать им функции модерирования. Как, например, на Хабре. Но тут должно быть большое сообщество со своей историей, на основании которой можно выбрать объективных пользователей. А это бывает далеко не всегда.

Итак, если мы стоим на дзен-пути привлечения пользователей к адекватному проведению дискуссий, то мы, очевидно, приходим к вопросу:

Как научиться доверять пользователю?


Казалось бы, невозможно просто так взять и довериться оценке неизвестного пользователя. Но ведь можно создать условия, при которой этой оценке можно доверять! И такой успешный опыт в интернете уже есть! Такой метод использует широко известная и изрядно всем поднадоевшая reCaptcha. Точнее, одна из ее первых версий, в которой пользователю для авторизации на сайте предлагалось написать несколько слов. Одно из этих слов было проверочным и известно системе, а другое слово было неизвестно системе, и его требовалось распознать. Сами же пользователи не знали, какое слово известное, а какое нет, и для того, чтобы быстрее авторизоваться, вынуждены были отвечать честно, а не гадать!

В итоге, пользователи, которые отвечали честно и правильно вводили проверочное слово, считались объективными, и reCaptcha их пропускала дальше, а также принимала! ранее не известное ей слово, как верный результат.

И это оказалось эффективно! Таким нехитрым методом пользователи reCaptcha только за первые полгода работы успешно распознали около 150 миллионов нераспознанных слов, что эквивалентно 7500 книгам, которые не смогли распознать автоматические методы. Не плохо, правда?

Но можем ли мы применить такой метод в области модерации?

А почему нет? Ничего не мешает дать пользователю возможность оценить на соответствие правилам ряд из комментариев, среди которых будет один, оценка которого нам не известна, а остальные будут проверочными. Далее, принять оценку неизвестного комментария, если пользователь честен в оценке проверочных (то есть известных системе) комментариев. Причем, для оценки неизвестного комментария, таким образом, нам не нужно будет организовывать коллективное голосование, достаточно будет одного пользователя, который докажет свою адекватность!

А дальше еще интереснее. Этот, казалось бы, простой метод одиночной объективной оценки при его тиражировании может дать мощный эффект модерирования, так сказать независимую пользовательскую модерацию:

  1. С помощью метода можно создать целую сеть-сообщество пользовательской модерации:
    Так, неизвестный комментарий пользователя с сайта1 может быть отправлен на проверку пользователю с сайта2. А неизвестный комментарий пользователя с сайта2 может быть оценен пользователем с сайта3. И так далее. При этом скорость проверки комментариев в сети будет возрастать с ростом числа вовлеченных в модерирование пользователей, что существенно будет для малопосещаемых сайтов.
  2. С его помощью можно организовать пользовательскую пре-модерацию комментариев.
    Так, мы предлагаем пользователю принудительно проверить ряд чужих комментариев перед тем, как позволить ему опубликовать свой. А затем введенный им комментарий отправить в свою очередь на проверку. В итоге получаем перекрестную проверку комментариев.
  3. С его помощью можно организовать пользовательскую пост-модерацию комментариев:
    Рядом с каждым уже опубликованным комментарием есть кнопка “нарушает?”. И любой заинтересованный пользователь может отправить на перепроверку любой комментарий. Разумеется, только после того, как предварительно успешно проверит ряд чужих комментариев. В итоге, если чей-то комментарий нарушил его не сложно удалить.
  4. Его можно использовать как средство повторения правил:
    Конечно, нужно понимать, в нормальном режиме диалога пользователям вообще не хочется что-либо проверять, а хочется комментировать без ограничений. Поэтому эту проверку можно использовать как средство повторения правил, принудительно предлагать ее, только если пользователь еще не знает правил данного сообщества или если пост- или пре-модерацией было выявлено, что он их нарушил предыдущий раз. Нарушил- будь добр повтори правила, одновременно выполнив полезную работу. И в следующий раз вспомни об этом перед тем, как нарушить правила.

Как пелось в солдатской сатирической песни:
Чисто вписано в бумаги,
Да забыли про овраги,
А по ним ходить!
И как это будет в жизни?

Для наглядности приведем пример пост-модерации на основе данного метода:

1) Предположим, у нас есть следующая дискуссия. Любой читатель, сталкиваясь с нарушением, в может вызвать проверку нажав кнопку “нарушает?”

2) Ему будут предложены правила пользовательской модерации и предложено оценить несколько чужих комментариев перед тем, как отослать на модерацию комментарий, выбранный им. Нажав кнопку “Оценить>>”, он сможет приступить к оценке.

3) Ниже приведен пример одной из 4-х оценок (оценок может быть разное число), которые будут ему предложены. Варианты ответа “Да” или “Нет”.

4) Если пользователь объективен и верно оценивает все комментарии (в данном примере будет 3 проверочных комментария и один неизвестный, который нужно проверить), то он считается объективным, и ему будет разрешено отправить выбранный им комментарий на модерацию.

5) Если пользователь ошибся в проверочных частях, то он считается необъективным, и он не сможет отправить комментарий на модерацию.

Тоже самое можно организовать и для пре-модерации. В целом, на основании данного метода возможна следующая культура комментирования:

  • Неавторизованные на сайте пользователи всегда комментируют с пользовательской пре-модерацией.
  • Авторизованные пользователи, если не нарушают, могут комментировать без пре-модерации.
  • Читатели могут устранять нарушения с помощью пользовательской пост-модерации.

Вот так просто мы можем привлечь пользователей к решению задачи модерирования, если начнем им доверять. Таким образом, мы можем дать пользователям возможность самим поддерживать культуру общения, особо их при этом не утруждая, и организовать такую среду, при которой комментирующим будет невыгодно нарушать правила дискутирования.

Спасибо! И да начнется критика!

Добавление: По мотивам данной статьи была создана демоверсия.
Ее можно попробовать здесь.

Определение и значение модерации | Словарь английского языка Коллинза

Примеры «модерации» в предложении

модерация

Эти примеры были выбраны автоматически и могут содержать конфиденциальный контент. Подробнее… Мы призываем его сейчас проявлять такую ​​же умеренность в отношении нынешней ситуации.

Times, Sunday Times (2011)

Еще одна вещь, против которой выступает умеренность, — это роскошь.

Христианство сегодня (2000)

Оно все еще мыслит категориями мира великой умеренности.

Times, Sunday Times (2010)

Но будет ли это победой здравого смысла и умеренности?

Times, Sunday Times (2007)

Исследования показывают, что умеренность — ключ к хорошему здоровью.

Солнце (2014)

И все в умеренных количествах — хороший способ жить.

The Sun (2015)

Ключ к здоровому питанию — умеренность и баланс.

The Sun (2016)

Их план демонстрирует признаки умеренности.

Times, Sunday Times (2006)

Речь идет о балансе и умеренности.

Times, Sunday Times (2009)

Например, ценность умеренности во всем.

Times, Sunday Times (2009)

Подробнее …

Врачи говорят, что главное — умеренность, то есть максимум четыре чашки в день.

Times, Sunday Times (2007)

Когда дело доходит до приготовления полезного блюда, ключевыми факторами являются баланс и умеренность.

Times, Sunday Times (2008)

Но при наличии правильной информации люди, как правило, будут действовать умеренно и здраво в интересах своих семей.

Times, Sunday Times (2007)

Мы проявили некоторую умеренность.

Times, Sunday Times (2010)

Но я всегда делал эти вещи умеренно.

Times, Sunday Times (2007)

Теперь мы знаем, что эта великая умеренность скрывала множество неприятных вещей, которые происходили, в основном, под поверхностью, прекращение которых спровоцировало кризис.

Times, Sunday Times (2010)

Курды северного Ирака до сих пор демонстрировали умеренность, которая делает возможным сотрудничество с западными силами и дипломатией.

Times, Sunday Times (2015)

определение модерации в The Free Dictionary

«Но я слышал, что для некоторых людей воздержание, то есть умеренность, почти невозможно; и если воздержание является злом, то это обстоятельство, если к нему должным образом позаботиться, преподало бы урок умеренности тем, кто когда-либо был убежден в своей правоте в любом споре. По правде говоря, самый мудрый человек, скорее всего, обладает всем мирские благословения в высшей степени; ибо как та умеренность, которую предписывает мудрость, является вернейшим путем к полезному богатству, так и только она может дать нам право вкусить множество удовольствий. Равномерное взаимодействие между двумя фракциями происходит не всегда умеренно, но истинно по отношению к человеческому «я», с целью использовать и то, и другое. Характерна умеренность, с которой Кефал изображает старость как весьма сносную часть существования. Не только его, но и греческих чувств в целом, и контрастирует с преувеличением Цицерона в De Senectute. Ле Гранд привел в одной диссертации пример великой умеренности в отклонении от нравов своей религии, но в других оставили доказательства того, что обучение и честность часто слишком слабы, чтобы противостоять предрассудкам.Использовать такую ​​лицензию навязчиво, без сомнения, гротеск; но в любом стиле поэтической дикции должна быть умеренность. Даже метафоры, странные (или редкие) слова или любые подобные формы речи произвели бы подобный эффект, если бы их использовали без приличия и с явной целью — быть смехотворной. Элтон — это обожание всех учителей и великих девушек в школе; и это должно быть в Хартфилде только для того, чтобы у нее был шанс услышать, как о нем говорят с охлаждающей умеренностью или отталкивающей правдой. В таких случаях национальное правительство не будет затронуто этой гордостью, но будет проявлять умеренность и откровенность, чтобы рассмотреть и выбрать наиболее подходящие средства, чтобы вывести их из трудностей, которые им угрожают. только часть сообщества, это олигархия, и это тоже допускает другие обычаи; ибо всякий раз, когда чиновники государства выбираются из тех, кто имеет умеренное состояние, а их в силу этого обстоятельства много, и когда они не отходят от той линии, установленной законом, но тщательно следуют ей, и когда все в пределах Перепись правомочна, конечно, тогда это олигархия, но основанная на истинных принципах управления [1298b] от его умеренности.Когда люди в целом не участвуют в совещательной власти, но определенные лица, избранные для этой цели, которые правят в соответствии с законом; это тоже, как и первое, олигархия. Она отперла дверь и пошла в столовую и обнаружила свой обед на столе и записку от тети Джейн, в которой говорилось, что они пошли на модерацию с миссис. умный; но нетерпеливы ко всему: ее печали, ее радости не могли иметь умеренности. Она была щедрой, любезной, интересной: она была совсем не расчетливой.

Все на модерации, в том числе на модерации — TechCrunch

Добро пожаловать в Startups Weekly, свежий взгляд на новости и тенденции стартапов на этой неделе. Чтобы получить это в своем почтовом ящике, подпишитесь на здесь.

Indiegogo, ранний стартап, который нажился на краудфандинговом движении, начнет более тщательно проверять краудфандинговые кампании на своей платформе, как он объявил на этой неделе.

The Verge сообщает, что компания создала внутренний контрольный совет для надзора и оценки самых рискованных кампаний на своей платформе, как это определено сообществом спонсоров.Эта доска может запретить владельцам запускать кампании или просто обеспечить более широкие условия обслуживания для обеспечения легитимности. Стартап также заключил альянс со своим главным конкурентом, краудфандинговой платформой GoFundMe, чтобы создать новую организацию для передовых практик и устранить злоумышленников.

Вот ключевой отрывок из рассказа Ким Лайонс:

«Откровенно говоря, мы не всегда оправдывали ожидания наших спонсоров», — сказал Уилл Хейнс, вице-президент по продуктам и доверию клиентов Indiegogo.Когда компания была запущена в 2008 году, было несколько ограничений для потенциальных предпринимателей, стремящихся получить деньги от единомышленников. Но Хейнс говорит, что «открытость» — это не то, чего на самом деле хочет краудфандинговое сообщество сейчас, более чем десять лет спустя.

Я не собираюсь врать, я был немного удивлен, что это не привлекло больше внимания в Твиттере (несмотря на все мои усилия). Хотя я не занимаюсь теоретическими рассуждениями о том, почему это так, я могу позволить себе роскошь задавать людям вопросы об их мыслях, будь они прокляты ретвиты.Мой непосредственный вопрос к людям был: «Что означает новая позиция Indiegogo для более широкого рынка краудфандинга?» В конце концов, экосистема построена на доступе, опциональности и превращении лоскутных идей в реальные продукты. Итак, я собрал некоторые мысли!

Republic, краудфандинговая платформа, которая недавно привлекла 150 миллионов долларов в серии B, не является прямым конкурентом, поскольку она больше фокусируется на кампаниях по сбору средств, а не на краудфандинге Indiegogo, основанном на вознаграждении и пожертвованиях.Начальник штаба Кайл Маккормик говорит, что это делает его компанию «совсем другим зверьком».

«Несмотря на то, что мы можем делить пользователей с такими платформами, как Kickstarter и Indiegogo, мы ищем другую часть кошелька этого пользователя — его инвестиционные активы, от которых они надеются получить прибыль. Отказ от проверки на мошенничество (как минимум) будет большой халатностью », — сказал он. Republic может быть вынуждена иметь более модерируемую платформу из-за ее нацеленности, но Маккормик сказал, что компания «далека от самого курируемого игрока» в этой сфере.

В результате, большинство компаний, привлекаемых через Republic, уже имеют импульс, либо за счет венчурных денег, либо за счет сигнала акселератора, прежде чем они попытаются привлечь краудфандинг. Маккормик признал, что у этой модели все еще есть проблемы: «Как обеспечить качество с возможностью масштабирования? Как мы поддерживаем венчурные компании, не отражая гендерные и расовые предубеждения в венчурном капитале? Все, о чем мы думаем каждый день ».

Предприниматель Сахил Лавиния построил Gumroad, чтобы стать онлайн-платформой для авторов, позволяющих покупать и продавать цифровые товары.Лавиния, который собирал деньги для Gumroad через Republic, сказал, что «ручная проверка каждого создателя противоречит идеалам, лежащим в основе ажиотажа вокруг экономики создателей, и ускоряет переход к Web 3.0 — ни то, ни другое не приносит пользу Indiegogo».

«Экономика творцов дает возможность новому набору художников и предпринимателей получить доступ к капиталу, который они исторически не могли получить», — сказал он. «Но, возможно, здесь действуют невидимые силы, вынуждающие их действовать. В силах мог быть страх неудачи.Мой коллега Брайан Хитер, который несколько месяцев назад брал интервью у генерального директора Indiegogo Энди Янга, подталкивал руководителя к провалам или провальным кампаниям, которые подводили пользователей. Ян намекнул, что в будущем потребуется больше доверия и мер безопасности.

У нас было много неудач на нашем сайте, кампаний, которые не были выполнены или просто, кампании привлекали своих сторонников, и мы признаем это. В течение последних двух лет мы уделяли особое внимание тому, что мы можем сделать с точки зрения доверия и безопасности.Это начинается с обучения, чтобы убедиться, что спонсоры понимают, что краудфандинг — это не покупки. Это хорошо видно на нашем сайте оформления заказа, но, опять же, Amazon и другие компании обучили людей, просто нажмите кнопку, и я получу это через два часа.

Таким образом, аргумент в пользу новых ограничений Indiegogo заключается в том, что отсутствие модерации обжигало пользователей в прошлом, и, поскольку сложно запустить проект, почему бы не поставить всех на более высокую планку?

Начинающий предприниматель думает, что переход к большему количеству ограждений вокруг кампаний в конечном итоге является гарантией качества и движением трафика. Если единственные кампании, которые в конечном итоге попадают на сайт, — это те, которые проходят тщательную предварительную проверку, Indiegogo подает сигнал потребителям. Это могло бы вызвать шумиху вокруг избранных идей и помочь им достичь своих финансовых целей. «Для меня дело не в« риске », а в том, чтобы потребители не были подавлены опциональностью», — сказали они в DM.

В конечном счете, мой вопрос привел к большему количеству вопросов о том, как модерация может привести к снижению доступности, важности обеспечения качества для современных инвесторов и, тьфу, как Web 3.0 вписывается во все это (пошлите мне учебные пособия). Кажется справедливым рассматривать шаг Indiegogo, хотя пока еще не революционный, как еще один сигнал о том, что люди переосмысливают то, как мы инвестируем и обмениваем деньги.

В оставшейся части этого информационного бюллетеня мы поговорим о новых данных о финансировании для женщин-учредителей, об очень экономичном стартапе, о котором вам нужно знать, и об экономике необанков. Как всегда, вы можете подписаться на меня в Twitter @nmasc_ или написать мне в Instagram @natashathereporter.

Женщины-основательницы возвращаются при поддержке венчурного капитала

Кредиты изображений: melitas (открывается в новом окне) / Getty Images

Новые данные PitchBook показывают, что гендерный разрыв в сборе средств для стартапов постепенно сокращается.За первые три квартала 2021 года компании, основанные женщинами, привлекли 40,4 миллиарда долларов в результате 2661 сделки, что почти вдвое превышает общую сумму в 23,7 миллиарда долларов в 2019 году и более чем в 10 раз превышает общую сумму в 3,6 миллиарда долларов в 2011 году.

Вот что нужно знать: Хотя финансирование женщин-учредителей далеко не равномерно и далеко не справедливо, рост финансирования происходит после разочаровывающего спада в 2020 году. Контраст делает рост еще более достойным освещения в печати, и я бы сказал, что это должно произойти. к изменению того, кто принимает решения при выписке чеков.Мы больше говорим о попутном ветре и наших более широких размышлениях о цифрах в последнем выпуске Equity.

О, хотите еще номеров?

А запуск недели…

Кредиты изображений: Брайс Дурбин / TechCrunch

Chipper Cash! Финтех-компания, один из самых ценных частных стартапов в Африке, недавно была оценена более чем в 2 миллиарда долларов за услуги по переводу денег. Платформа обмена криптовалютой FTX Сэма Бэнкмана-Фрида возглавила раунд.Инвестор сказал, что, по их мнению, Chipper «сделает денежные переводы такими же простыми, как текстовое сообщение, и ускорит внедрение криптовалюты в Африке и за ее пределами».

Вот что нужно знать: Стартап недавно заключил партнерство с Twitter, чтобы помочь поддержать новую интеграцию Tip Jar платформы социальных сетей, присоединившись к таким признанным компаниям, как PayPal, Patreon, GoFundMe, Cash App и Venmo. Chipper Cash также добивается успехов за пределами Африки, давая людям из Европы возможность отправлять деньги на другие рынки.

Достойны упоминания:

Необанкам понадобился этот

Кредиты изображений: Найджел Суссман

Nubank, печально известный необанк, за которым мы наблюдаем в течение многих лет, на прошлой неделе подал F-1. Мы с Алексом проанализировали цифры, стоящие за огромным финтех-бизнесом, ориентированным на потребителей. И было несколько убедительных и эффективных доказательств, над которыми следовало бы изучить.

Вот что нужно знать: Свежие показатели могут доказать, что необанки наконец переходят от фазы инвестирования — тратят много денег, чтобы в конечном итоге заработать много денег — и переходят в более стабильный мир с постоянным доходом.Другие планируемые IPO в сфере потребительского банкинга включают PicPay, которая подала заявку на IPO на 100 миллионов долларов на Nasdaq в апреле, и Chime, которая привлекла серию G на 750 миллионов долларов в августе и, как сообщается, станет публичной к марту 2022 года по оценке от 35 до 45 миллиардов долларов. миллиард.

Нужно больше Nu?

Вокруг ТЦ

Как некоторые из вас, возможно, знают, я совместно с моими коллегами Алексом Вильгельмом и Мэри Энн Азеведо являюсь соведущим подкаста Equity о цифрах и нюансах технических заголовков.В этом месяце мы установили новый рекорд загрузок, поэтому благодарим миллионы людей, которые проводят с нами часть своих дней.

Я делаю это не часто, но, если вам нравится подкаст, я хотел бы, чтобы вы зашли на Apple Podcasts и поставили ему оценку и отзыв. Это бесплатно (!!!) и очень много значит для нашей непослушной команды.

Через неделю

Посетили TechCrunch

Microsoft запускает Google Wave

На Ривиан подано иск о дискриминации по признаку пола, в котором утверждается, что это токсичная «братская культура».

Helion получает 2 доллара.2B для коммерциализации термоядерной энергии

Harry Potter: Wizards Unite, продолжение Niantic после Pokémon GO, закрывается

Coinbase приобретет индийскую Agara более чем за 40 миллионов долларов

Посетили TechCrunch +

Что говорит нам уход Zillow о состоянии рынка iBuying?

Приближается сезон праздничных покупок: как готовятся растущие маркетологи?

Тиффани Чу из Via о важности государственных технологий для планирования экосистем мобильности

Почему мы изменили наш план управления капиталом, сделав его более гибким (и как вы тоже можете это сделать)

Китай строит метавселенную?

Желаю всем запоздалого счастливого Дивали и Сал Мубарак,

N

границ | Интеграция модерации и посредничества в структуре скрытых переменных: сравнение подходов к оценке для модели посредничества второго этапа

Введение

В рамках исследований в области образования и психологии эффекты посредничества и модерации обычно применяются для лучшего понимания взаимосвязей между предикторами и результатами.Модели посредничества могут помочь в понимании механизмов наблюдаемых явлений. В опосредованном механизме косвенный эффект — это влияние независимой переменной на зависимую переменную через посредническую переменную; прямой эффект — это влияние независимой переменной на зависимую переменную без переменной-посредника (Baron and Kenny, 1986). Модели модерации демонстрируют, что влияние предикторов на результаты зависит от модераторов (Джеймс и Бретт, 1984; Барон и Кенни, 1986).Интегрированная модель посредничества и модерации объединяет свойства посредничества и модерации одновременно в одном исследовании, чтобы объяснить сложность реального мира (например, Liao et al., 2010; Teper et al., 2013).

Существует два основных типа интегрированных моделей посредничества и модерации, как различают статистики: модерируемое посредничество и опосредованное модерация (Барон и Кенни, 1986; Эдвардс и Ламберт, 2007). Различие между этими двумя основными типами зависит от важности смягчаемых и опосредованных эффектов в эксперименте (Baron and Kenny, 1986; Edwards and Lambert, 2007).В последние годы было проведено множество практических исследований с применением интегрированного подхода модерации и посредничества. Например, в этом исследовании было выявлено 203 оригинальных статьи с ключевыми словами «модерируемое посредничество» и 44 статьи с ключевыми словами «опосредованная модерация», опубликованных в базе данных PsychArticle в период с января 2000 года по январь 2020 года. Учитывая, что в большинстве статей применялась модель модерируемого посредничества, это стало предметом настоящего исследования. Эта модель имеет скрытый эффект взаимодействия между модератором и переменными посредника, что позволяет квалифицировать ее как представление интегрированной модели.Метод тестирования опосредованного эффекта в интегрированной модели аналогичен методу в простой модели посредничества, которую исследователи легко освоить. Однако умеренный эффект намного сложнее рассчитать в этой сложной модели, чем в простой модерируемой модели. Таким образом, в данном исследовании основное внимание уделяется оценке путевого коэффициента эффекта взаимодействия в рамках модели умеренного посредничества второго этапа.

На протяжении всего исследования переменные соответствуют следующим основным уравнениям:

M = aX + δMY = cX + b1M + b2Z + b3MZ + δY (1)

В данном исследовании X используется для представления независимой переменной; Y представляет зависимую переменную; M представляет посредника, который опосредует отношения между X и Y; и Z представляет модератора, который модерирует процесс M предсказания Y.Согласно уравнениям, коэффициент пути от X до M равен a , а коэффициент пути от X до Y равен c . Эти два эффекта классифицируются как прямые эффекты. Коэффициент пути от M до Y равен b 1 , а от Z до Y — b 2 . Параметр связи между эффектом взаимодействия MZ и зависимой переменной Y равен b 3 .

Многие исследователи обсуждали и применяли интегрированную модель модерации и посредничества в своих исследованиях, основанную на структуре манифестных переменных (например,г., Эдвардс и Ламберт, 2007; Хейс, 2013; Fang et al., 2014). Однако меньше обсуждений и применений подходов в рамках структуры скрытых переменных (Cheung and Lau, 2017). В рамках структуры скрытых переменных строится модель измерения, чтобы связать каждую скрытую переменную с соответствующими индикаторами (рис. 1). Мы предполагаем, что независимая переменная X и переменная-модератор Z имеют по три индикатора, а зависимая переменная Y и переменная-посредник M имеют по четыре индикатора.Это предположение требуется только для приблизительного представления фактического исследования. В действительности в исследовании может не быть трех индикаторов с только что определенной моделью для каждой скрытой переменной. Кроме того, различные индикаторы для переменных M и Z, которые будут использоваться для формирования взаимодействия MZ, могут увеличить сложность некоторых подходов при формировании латентного члена взаимодействия MZ. Взяв в качестве примера скрытую переменную X, ее модель измерения можно представить как:

(x1x2x3) = (τ1τ2τ3) + (λ1λ2λ3) X + (δx1δx2δx3) (2)

, где x 1 до x 3 — это индикаторы скрытой переменной X , τs — точки пересечения, а λs — факторные нагрузки.Дисперсия ошибки представлена ​​как Var (δ x s ), а дисперсия скрытой переменной X равна Var (X). Точно так же можно определить модели измерения для Y, M и Z.

Рисунок 1 . Популяционная модель подхода Product Indicator — стратегии разделения индикаторов.

По сути, трудно оценить эффект взаимодействия в интегрированной модели модерации и посредничества из-за сложных нелинейных ограничений в латентной структуре (Jöreskog and Yang, 1996).Хотя было разработано много подходов, и было показано, что они достаточно хорошо работают при оценке эффекта латентного взаимодействия (например, Klein and Moosbrugger, 2000; Algina and Moulder, 2001; Wall and Amemiya, 2001), полное сравнение подходов для выяснения оптимального выбор не велся. Данное исследование устраняет этот пробел в исследованиях. Разработаны два имитационных исследования с различными условиями для оценки различных методов оценки модели модерируемого посредничества второго этапа. Здесь рассмотрены следующие подходы: анализ путей (PA), анализ показателей продукта с ограничениями (CPI), анализ показателей продукта без ограничений (UPI) и моделирование структуры с латентным замедлением (LMS).

Методология и дизайн

Анализ пути (PA)

Многие предыдущие исследователи предоставили процедуры для использования традиционных методов регрессии для анализа модерируемого посредничества (например, Muller et al., 2005; Edwards and Lambert, 2007; Preacher et al., 2007; Hayes, 2013). В отличие от традиционного регрессионного анализа, PA может одновременно оценивать все эффекты и интегрировать их в единую полную структуру модели. Основываясь на этой структуре, PA использует средства индикаторов для представления значений соответствующих скрытых переменных.Например:

Таким образом, член взаимодействия может быть вычислен как:

MZ = m1 + m2 + m3 + m44 × z1 + z2 + z33 (4)

PA широко используется в практических исследованиях, поскольку его легко понять и удобно применять (Cheung and Lau, 2017). Однако против использования PA также высказывались возражения из-за того, что в нем не учитывались ошибки измерения. Cheung и Lau (2008) ранее обнаружили, что простой регрессионный анализ для модели посредничества недооценивает коэффициенты, и степень недооценки увеличивается по мере увеличения ошибок измерения.Статистики рекомендовали методы в рамках скрытой структуры для уменьшения такой неточности, связанной с ошибками измерения (например, Marsh et al., 2004; Klein and Muthén, 2007; Wen et al., 2010). Учитывая сложный эффект скрытого взаимодействия, ошибки измерения могут привести к большему смещению в интеграционной модели (Ree and Carretta, 2006; Cheung and Lau, 2008; Antonakis et al., 2010; Ledgerwood and Shrout, 2011).

Индикаторный анализ продукта (PI)

В рамках структуры скрытых переменных Кенни и Джадд (1984) предложили идею измерения эффекта скрытого взаимодействия путем умножения показателей двух скрытых переменных.На основе этой концепции многие статистики предложили и разработали различные подходы для оценки эффектов взаимодействия с использованием PI (например, Jöreskog and Yang, 1996; Klein and Moosbrugger, 2000; и Wall and Amemiya, 2001, 2003; Marsh et al., 2004 г.). PI оказался более точным, чем традиционный метод регрессии и PA, поскольку он учитывает ошибки измерения показателей продукта (Jöreskog and Yang, 1996).

Однако в практических исследованиях ИП использовался не так часто, как ПА.Есть две основные причины, по которым применение PI было ограничено. Во-первых, ИП довольно сложно понять и выполнить. Использование PI требует множества дополнительных ограничений для идентификации модели. Хотя предыдущие исследователи уже разработали подход UPI (Marsh et al., 2004), многие прикладные исследователи по-прежнему сталкиваются с трудностями в реализации. Другая причина, по которой применение PI было ограничено, заключается в том, что трудно выбрать и выполнить наиболее подходящий метод для формирования индикаторов продукта для эффекта скрытого взаимодействия (Marsh et al., 2004).

В этом исследовании предполагается, что три показателя M и первые три из четырех показателей Z были перемножены, чтобы сформировать показатели для фактора скрытого взаимодействия, как подробно описано в следующем уравнении:

(mz1mz2mz3) = (τmz1τmz2τmz3) + (λmz1λmz2λmz3) MZ + (δmz1δmz2δmz3) (5)

Здесь τ м z с с представляют собой точки пересечения индикаторов продукта, λ м z с с коэффициентами нагрузки. латентное взаимодействие, MZ представляет фактор скрытого взаимодействия, а Var (δ m z s ) представляет собой дисперсию ошибок.

Ограниченный индикаторный анализ продукта (ИПЦ)

Йореског и Янг (1996) ввели модель с сильными ограничениями, называемую подходом индикатора ограниченного продукта (ИПЦ), для эффекта скрытого взаимодействия, чтобы идентифицировать модель. Этот подход предполагает, что индикаторы централизованы и многомерно нормально распределены (Algina and Moulder, 2001). Например, первый индикатор (продукт) для скрытого взаимодействия MZ может быть представлен как:

mz1 = λmz1MZ + δmz1 = (λm1M + δm1) (λz1Z + δz1) = λm1λz1MZ + (λm1Mδz1 + λz1Zδm1 + δm1δz1) (6)

, где факторные нагрузки и дисперсии ошибок индикатора mz 1 могут рассматриваться как функции факторных нагрузок и дисперсий ошибок индикаторов M и Z.Ограничения ИПЦ состоят из дисперсии и среднего латентного взаимодействия MZ, а также факторных нагрузок и дисперсии ошибок индикаторов для MZ (Moulder and Algina, 2002; Marsh et al., 2004).

Ограничение факторной нагрузки индикатора mz 1 для MZ составляет:

λmz1 = λm1 × λz1 (7)

На основе уравнения 6 отклонения ошибок индикаторов продукта не оцениваются произвольно.

Ограничение дисперсии ошибок индикаторов mz 1 для MZ можно выразить как:

Var (δmz1) = Var (λm1Mδz1 + λz1Zδm1 + δz1δm1) = Var (λm1Mδz1) + Var (λz1Zδm1) + Var (δz1δm1) = λm12Var (M) Var (δz1) + λz12Var (Z) Var (δm1) + Var (δm1) + ) Var (δm1) (8)

Ограничение дисперсии MZ выглядит следующим образом:

Var (MZ) = Var (M) Var (Z) + [Cov (M, Z)] 2 = Var (aX + δM) Var (Z) + [Cov (aX + δM), Z] 2 = [Var ( aX) + Var (δM)] Var (Z) + [Cov (aX, Z) + Cov (δM, Z)] 2 = [a2Var (X) + Var (δM)] Var (Z) + [aCov (X , Z)] 2 (9)

Ограничение среднего латентной переменной MZ можно также выразить как:

E (MZ) = Cov (M, Z) + E (M) E (Z) = Cov [(aX + δM), Z] = aCov (X, Z) (10)

Однако модель с сильными ограничениями Йорескога и Янга (Jöreskog and Yang, 1996) была слишком сложной, учитывая растущее число индикаторов.Поэтому большинству исследователей сложно применить модель в реальных исследованиях. Еще одним ограничением подхода ИПЦ является предположение о многомерно-нормально распределенных индикаторах. Хотя каждый индикатор переменной имеет нормальное распределение, индикатор скрытого взаимодействия, основанный на умножении, может не подчиняться нормальному распределению (Aroian, 1947; Moosbrugger et al., 1997). Неясно, как ненормально распределенные показатели взаимодействия могут повлиять на оценку подхода ИПЦ.

Неограниченный индикаторный анализ продукта (UPI)

Статистики рассмотрели различные способы ослабления ограничений и упрощения модели PI, такие как подход с частичными ограничениями (Wall and Amemiya, 2001), неограниченный подход (Marsh et al., 2004) и расширенный неограниченный подход (Kelava and Брандт, 2009). Безусловный подход, предложенный Marsh et al. (2004, 2013), который требует только ограничения латентного среднего (уравнение 10), обычно используется.Это то, что в данной статье называется подходом UPI.

Преимущество подхода UPI состоит в том, что он требует, чтобы фиксировалось только среднее значение скрытого взаимодействия, что упрощает применение подхода даже для сложных моделей. Кроме того, исследования с использованием моделирования показали, что подход UPI обеспечивает более точную оценку, чем подход CPI, когда данные нарушают предположение многомерной нормальности. Однако по сравнению с пересмотренной моделью со строгими ограничениями Algina и Moulder (2001), подход UPI показал меньшую мощность в оценке, даже при предположении многомерной нормальности (Marsh et al., 2004).

В целом, в подходе PI используются четыре типа ограничений: (1) ограничения факторных нагрузок показателей продукта; (2) ограничения дисперсии ошибок показателей продукта; (3) ограничение дисперсии фактора скрытого взаимодействия; и (4) ограничение среднего латентного фактора взаимодействия. Jöreskog and Yang (1996) подход CPI требует всех четырех ограничений, тогда как Marsh et al. (2004) Подход UPI требует как минимум одного ограничения, то есть должно быть зафиксировано среднее значение латентного взаимодействия.Это исследование направлено на сравнение этих двух подходов для оценки эффективности ограниченной формы подхода PI.

Еще одним ограничением подхода PI является сложность, с которой сталкиваются исследователи при выборе среди множества показателей для построения показателей продукта для фактора латентного взаимодействия (Marsh et al., 2004). Различные стратегии построения показателей продукта в одной и той же модели могут работать по-разному (например, Marsh et al., 2004; Saris et al., 2007; Aytürk et al., 2019).Исследователям необходимо выбрать подходящие стратегии для получения разумного результата, что затрудняет применение подхода PI.

Стратегии построения индикаторов продукта

Существует множество стратегий построения индикаторов продукта. Наиболее широко применяемыми стратегиями являются Matching и Parceling (например, Marsh et al., 2004; Aytürk et al., 2019).

Соответствие

Индикаторы спарены по факторным нагрузкам. Это означает, что показатели с более высокими факторными нагрузками для M необходимо умножить на показатели с более высокими факторными нагрузками для Z.В этом исследовании мы могли бы получить три показателя продукта для фактора скрытого взаимодействия.

Parceling

Под посылкой понимается совокупность (например, среднее значение) показателей скрытых факторов. Стратегия разделения может помочь уменьшить количество индикаторов за счет использования участков для замены исходных индикаторов. Тем не менее, существует также множество стратегий для формирования участков, таких как размещение индикаторов наивысшей и наименьшей факторных нагрузок в одной посылке или случайная установка индикаторов.

Поскольку сравнение сопоставления и разделения не является предметом настоящего исследования, прикладным исследователям предлагается обратиться к предыдущим исследованиям за рекомендациями. Aytürk et al. (2019) указали, что у парцеллинга есть преимущества, заключающиеся в том, что учитываются все индикаторы, при сопоставлении игнорируются остальные индикаторы, которые не используются для генерации условий взаимодействия. Поскольку количество индикаторов на фактор в текущем исследовании невелико, будет использоваться стратегия сопоставления с несколькими индикаторами с использованием индикаторов для M и Z с наибольшей факторной нагрузкой (Marsh et al., 2004). Подход сопоставления будет повторяться до тех пор, пока не будут сопоставлены все индикаторы одной переменной (рис. 1).

Моделирование структурных уравнений со скрытой умеренностью (LMS)

Кляйн и Моосбруггер (2000) предложили моделирование уравнения LMS для оценки модели скрытого взаимодействия. Подход LMS конструирует эффект латентного взаимодействия как условный линейный эффект на другую переменную. Он просто использует исходные данные для оценки взаимодействия, не вводя индикаторы продукта (Kelava et al., 2011; Aytürk et al., 2019).

LMS не только учитывает ошибки измерения, но и решает две проблемы, влияющие на подход PI. LMS может предотвратить разочарование исследователя, связанного с необходимостью выбирать, какую стратегию использовать при построении показателей продукта. Кроме того, LMS не требует каких-либо дополнительных нелинейных ограничений для идентификации модели и не нуждается в индикаторах взаимодействия, чтобы подчиняться строгому многомерному предположению с нормальным распределением (Klein and Moosbrugger, 2000; Kelava et al., 2011). Многие предыдущие исследования с использованием моделирования уже доказали, что LMS может обеспечить точные оценки параметров и стандартной ошибки с меньшими погрешностями (Schermelleh-Engel et al., 1998; Klein and Moosbrugger, 2000). Однако большинство распространенных программ анализа не могут применять LMS к реальным данным исследования. Проблемы возникают при формировании заключения для LMS, даже с M плюс . Например, M plus не может экспортировать индексы соответствия модели, которые можно использовать для непосредственной оценки соответствия модели модерируемым моделям-посредникам (например,g., индекс сравнительной пригодности, CFI). Эти проблемы снижают привлекательность LMS для прикладных исследователей.

Байесовская оценка

Помимо традиционной оценки максимального правдоподобия (ML), байесовская оценка также продемонстрировала свою эффективность при моделировании структурных уравнений и в последнее время становится все более популярной (van de Schoot et al., 2017). По сравнению с оценкой ML, байесовская оценка основана на методе выборки, а не на асимптотической теории (теории большой выборки), и, таким образом, лучше работает при небольшом размере выборки (Muthén and Asparouhov, 2012).Более того, без строгого предположения о нормальном распределении ожидается, что байесовский метод будет иметь лучшую производительность с ненормально распределенными данными. В этом исследовании, чтобы просто сравнить байесовскую оценку с оценкой ML, мы использовали их обе в LMS и PA, поскольку модели CPI и UPI не могут быть выполнены с использованием байесовского метода в M плюс 8.4. Были использованы настройки по умолчанию M плюс с неинформативными априорными значениями, за исключением минимального количества итераций (которое было установлено на 10 000) в байесовской оценке.Неинформативным предварительным значением по умолчанию для перехватов элементов, факторных нагрузок и путевых коэффициентов является N (0, бесконечность). Для матрицы вариации-ковариации скрытых переменных априор по умолчанию является обратным-Wishart (0, — p -1), где p — размерность многомерного блока скрытых переменных (Muthén and Muthén, 1998-2017) . Мы получили точечные оценки с использованием медианы апостериорного распределения и рассчитали 95% доверительный интервал на основе метода процентилей.

Научно-исследовательский дизайн

Для настоящего исследования было проведено два имитационных исследования с разными условиями. В первом исследовании данные были получены в соответствии с нормальным распределением и имели высокую / низкую надежность. Кроме того, наше определение не требовало корреляции между переменной-модератором Z и независимой переменной X. Во втором исследовании принимались во внимание ненормально распределенные данные. В этом исследовании изучалась тенденция к смещению оценок для ненормальных распределений с различными перекосами и куртозами.Корреляция независимой переменной X и переменной-модератора Z также рассматривалась во втором исследовании.

В этих исследованиях сравнивались четыре подхода: PA, CPI, UPI и LMS. Поскольку метод начальной загрузки часто требуется в анализе посредничества, мы получили стандартные ошибки начальной загрузки и доверительные интервалы в четырех подходах, используя 100 отрисовок начальной загрузки, что предлагается как наименьшее количество отрисовок в методе начальной загрузки (Rutter, 2000). Поскольку метод начальной загрузки недоступен для оценки MLR (оценка максимального правдоподобия с надежными стандартными ошибками), которая является методом оценки по умолчанию в LMS с M плюс , мы также вычислили надежные стандартные ошибки в LMS и сравнили их с бутстрапом. метод.Как упоминалось выше, также были приняты во внимание подходы LMS и PA с байесовской оценкой.

Исследование 1

Популяционная модель

В соответствии с планом исследования Marsh et al. (2004) данные генерируются с нормальным распределением. Настройки для этого следующие: Модель популяции в имитационных исследованиях такая же, как на Рисунке 1, за исключением того, что MZ не имеет своего индикатора.

Факторные нагрузки независимой переменной X (λ x 1 , λ x 2 и λ x 3 ) равны 1.0, 0,65 и 0,72 соответственно. Дисперсия ошибок индикаторов (Var (δ x s )) установлена ​​на 0,36 / 1,5. Перехваты (τ x s ) равны 0,5, а дисперсия X (Var (X)) равна 1,0.

Для переменной-посредника M — факторные нагрузки четырех индикаторов (λ м 1 , λ м 2 , λ м 3 и λ м 4 ) равны 1.0, 0,81, 0,53 и 0,66 соответственно. Разброс ошибок (Var (δ м с )) составляет 0,36 / 1,5. Перехваты (τ m s ) установлены на 0,5, а остаточная дисперсия M (Var (δ M )) равна 0,36.

Показатели переменной-модератора Z имеют факторные нагрузки (λ z 1 , λ z 2 и λ z 3 ), равные 1.0, 0,83 и 0,79 соответственно. Дисперсии ошибок индикаторов (Var (δ z s )) составляют 0,36 / 1,5. Перехваты (τ z s ) установлены на 0,5, а дисперсия Z (Var (Z)) равна 1,0.

Зависимая переменная Y имеет четыре показателя с факторными нагрузками (λ y 1 , λ y 2 , λ y 3 и λ y 4 ) установлен как 1.0, 0,68, 0,75 и 0,83 соответственно. Дисперсия ошибок (Var (δ y s )) составляет 0,36. Перехваты четырех индикаторов (τ y s ) установлены на 0,5, а остаточная дисперсия Y ( Var Y )) составляет 0,36 / 1,5.

Наконец, коэффициенты пути в уравнении 1 устанавливаются следующим образом: a = 0,75, c = 0,3, b 1 = 0,56 и b 2 = 0.48.

Дизайн

Это исследование имеет план 4 * 3 * 2 с манипулированием размерами выборки, влиянием члена взаимодействия и достоверностью скрытой переменной. Четыре уровня размеров выборки: (a) N = 100, (b) N = 200, (c) N = 500 и (d) N = 1000. Такие размеры выборки типичны для психологических исследований. N = 100 считается минимальным размером выборки для SEM, N = 200 — обычным, средним размером выборки (Boomsma, 1982), а выборка в 500 считается достаточно большой, чтобы обеспечить объективные оценки для большинства прикладных исследований ( Кириазос, 2018).Более того, Cham et al. (2012) предположили, что размер выборки для моделирования скрытой модерации должен быть относительно большим, поэтому размер выборки в 1000 также рассматривался в текущем исследовании.

Есть также три уровня коэффициентов пути b 3 : (a) b 3 = 0, (b) b 3 = 0,2 и (c) b 3 = 0,4. Среди этих параметров b 3 = 0 предназначен для проверки ошибки типа I, а b 3 = 0.2 и 0.4 предназначены для проверки эффективности четырех подходов (Klein and Moosbrugger, 2000).

Мы устанавливаем дисперсию ошибок индикаторов, чтобы контролировать надежность скрытой переменной, и в условиях высокой надежности все дисперсии ошибок индикаторов устанавливаются на 0,36. Средняя надежность четырех скрытых переменных X, M, Z и Y составила 0,822 (SD = 0,013), 0,836 (SD = 0,012), 0,859 (SD = 0,010) и 0,896 (SD = 0,008) при условии . N = 500 и b 3 = 0.2. Все переменные определены как имеющие высокую надежность. В условиях низкой надежности дисперсия ошибок (δs) была изменена до 1,5 в соответствии с предыдущим исследованием Cheung и Lau (2017). Средняя надежность скрытых переменных, X, M, Z и Y, была установлена ​​как 0,542 (SD = 0,037), 0,569 (SD = 0,033), 0,601 (SD = 0,030) и 0,684 (SD = 0,024), соответственно. , в таком же состоянии. Средняя надежность X, M, Z и Y практически не изменилась в одних и тех же условиях (высокой или низкой) надежности, демонстрируя, что манипуляции с надежностью были успешными.

Это исследование направлено на проверку четырех подходов с помощью метода начальной загрузки в 24 условиях с сгенерированными данными. Данные моделирования генерируются статистической программой R (версия 3.5.3). Каждое из 24 условий имеет по 1000 повторов. Эксперименты Монте-Карло проводились с использованием M plus 8.4 (Muthén and Muthén, 1998-2017).

Меры по оценке

В исследовании моделирования эффективность подходов оценивается с использованием пяти различных показателей: относительная систематическая ошибка оценок параметров, коэффициент стандартной ошибки (SE), коэффициент охвата, мощность и ошибка типа I, а также коэффициент выполнения.) (12)

Отношение между 0,9 и 1,1 обычно считается относительно точной оценкой (Hoogland and Boomsma, 1998).

Охват

Степень охвата — это вероятность того, что оценочные значения попадут в 95% (самонастраиваемый) доверительный интервал / байесовский доверительный интервал. Обычно степень охвата должна быть более 90%, чтобы обеспечить вероятность включения результатов оценки параметров (Collins et al., 2001). Степень охвата связана с относительной систематической ошибкой оценки и ее SE.

Питание и ошибка типа I

Мощность — вероятность правильного отклонения ложной нулевой гипотезы; то есть, когда параметры не равны нулю. Напротив, если нулевая гипотеза верна, то вероятность ложного отклонения нулевой гипотезы является ошибкой типа I, когда истинные значения параметров равны нулю.

Допустимый уровень мощности выше 80%. Частота ошибок типа I должна быть в пределах 95% доверительного интервала биномиальной переменной [0,0365, 0.0635] (0,05 ± 1,96 × 0,05 × (1-0,05) / количество повторов; Cham et al., 2012).

Показатель выполненных работ

Коэффициент завершения — это доля повторений с полностью подходящими решениями в 1000 повторений для каждого условия.

Результаты

Marsh et al. (2004) обнаружили, что изменение члена взаимодействия не сильно влияет на оценку основного эффекта. Результаты настоящего исследования также продемонстрировали тот же вывод, за исключением метода PA.Таким образом, для экономии места мы сосредотачиваемся на оценках путевого коэффициента b 3 и умеренного индекса посредничества ( a * b 3 , Hayes, 2015), а также на оценках косвенных эффектов при различные значения модератора ( a * ( b 1 + b 3 * Z ), при Z = 0, 1 SD , — 1 SD ) в четыре подхода к анализу. При сравнении используются пять критериев оценки.Подробные результаты основных эффектов доступны в дополнительных материалах. Все материалы моделирования, включая создание данных, анализ, оценочные измерения и т. Д., Также загружаются в качестве дополнительных материалов.

Относительное смещение

Как подробно описано в таблицах 1–3, PA с методом бутстрапа / байесовской оценкой недооценил параметры, которые не равны нулю (например, b 3 = 0,2 и 0,4, средние косвенные эффекты), и относительные смещения неприемлемы, когда надежность низкая.Средние оценки косвенных эффектов и умеренного индекса посредничества также были серьезно смещены при использовании путевого анализа, даже когда надежность была высокой. Этот результат согласуется с выводами предыдущих исследователей о PA относительно недооценки параметров (Cheung and Lau, 2017).

Таблица 1 . Результаты моделирования 1, когда b 3 = 0.

Таблица 2 . Результаты моделирования 1, когда b 3 = 0.2.

Таблица 3 . Результаты моделирования 1, когда b 3 = 0,4.

Более того, когда надежность высока, LMS, CPI и UPI обеспечивают меньшие погрешности оценки, чем PA, и ожидается, что оценочные значения с использованием этих трех подходов станут более точными по мере увеличения размера выборки. В условиях низкой надежности, хотя CPI и UPI во многих ситуациях представляли смещенные оценки, CPI был более подходящим, чем UPI в целом. Однако, как показали предыдущие исследования (Marsh et al., 2004), когда размер выборки был небольшим ( N = 100), UPI был менее смещен, чем CPI, когда надежность была низкой.

По сравнению с тремя другими подходами, LMS всегда приводила к более низкому относительному смещению оценок, особенно с низкой надежностью. LMS с оценкой ML обеспечила более точные оценки, чем байесовская оценка в большинстве условий. Однако LMS с байесовской оценкой показала лучшие результаты среди всех подходов во многих условиях, когда размер выборки составлял 100 и b 3 ≠ 0.

SE Передаточное число

Все отношения SE LMS с устойчивыми стандартными ошибками и PA были в пределах приемлемого интервала [0,9, 1,1] при высокой надежности, что демонстрирует относительно точную оценку. Этот результат превосходит результаты для CPI и UPI, которые не могут дать относительно точную оценку SE. Обладая низкой надежностью, эти два подхода также могут обеспечить приемлемое отношение SE в большинстве условий. И CPI, и UPI имели отношения SE, которые выходили за пределы стандартного интервала [0.9, 1.1].

Более того, LMS с методом начальной загрузки серьезно переоценила стандартные ошибки косвенных эффектов, когда размер выборки был 100 или надежность была низкой, что можно обойти с помощью устойчивой стандартной ошибки. LMS с байесовской оценкой работает лучше, чем метод бутстрапа в этих условиях; тем не менее, он по-прежнему завышает стандартные ошибки.

Охват

Степень охвата PA снижалась по мере увеличения размера выборки. Когда размер выборки составляет не менее 500 или интересующими параметрами являются умеренный индекс посредничества и косвенные эффекты, PA не может достичь приемлемых показателей охвата в большинстве условий.LMS, CPI и UPI могут соответствовать уровню охвата 90% при высокой надежности. В условиях низкой надежности PI и LMS имели приемлемые уровни охвата в большинстве условий, но PI работали лучше, чем LMS, потому что PI давал завышенные оценки SE.

Мощность

Результаты показывают, что все четыре подхода будут иметь более высокую мощность при увеличенном размере выборки ( N ), путевом коэффициенте взаимодействия ( b 3 ) и надежности. Статистическая мощность LMS и PA оказалась выше, чем у CPI, а статистическая мощность CPI была выше, чем у UPI во всех условиях.При низкой надежности все подходы будут менее способны обеспечить приемлемую мощность b 3 и эффект замедления при небольшом размере выборки ( N = 100 и N = 200). Учитывая косвенные эффекты, PA работал лучше всего и по-прежнему обеспечивал приемлемую мощность даже при низкой надежности, в то время как другие подходы терпели неудачу.

Частота ошибок типа I

Когда b 3 = 0, четыре подхода можно сравнить в отношении ошибки типа I.Таблица 1 показывает, что ошибка типа I четырех подходов находится между [0,006, 0,070] и [0, 0,063], когда надежность высокая или низкая, соответственно. Из четырех подходов PA и LMS имели относительно большую ошибку типа I, а UPI приводил к самой низкой ошибке типа I. В трех условиях моделирования LMS LMS с методом начальной загрузки показала лучшие результаты, когда надежность была низкой, поскольку она часто переоценивала стандартную ошибку.

Показатель выполненных работ

Таблица 4 показывает процент выполнения этих подходов в различных условиях.У PA был 100% процент выполнения по всем условиям. Кроме того, LMS и CPI имели приемлемые показатели завершения, тогда как UPI имел самый низкий показатель завершения, когда условия включали низкую надежность и относительно небольшой размер выборки ( N = 100 и 200).

Таблица 4 . Степень выполнения четырех подходов в исследовании 1.

Исследование 2

Предыдущие исследования учитывали нарушение предположения о нормальности и влияние, которое оно оказывает на оценки путевого коэффициента эффекта взаимодействия (например,г., Marsh et al., 2004). Хотя индикаторы M и Z нормально распределены, индикаторы продукта MZ и латентного взаимодействия MZ могут не подчиняться предположению о многомерной нормальности (Klein and Moosbrugger, 2000). Это условие приведет к смещенной оценке SE, проверки значимости и доверительного интервала, которые все основаны на многомерном предположении с нормальным распределением. Исследование 1 и предыдущие исследования (Marsh et al., 2004) доказали, что ИП могут давать объективные оценки при использовании нормально распределенных данных.Однако, если показатели M и Z распределены ненормально, ИПЦ приводит к более смещенным оценкам, чем UPI (Marsh et al., 2004). Для индикаторов, которые немного ненормальны (например, асимметрия = 0,5 и эксцесс = 1,1), оценки LMS все еще находятся в пределах допустимого интервала (Klein and Moosbrugger, 2000; Klein and Muthén, 2007) и имеют более сильную тестирующую способность (Cham et al. др., 2012). Тем не менее, для сильно ненормальных показателей (например, асимметрия = 0,9 и эксцесс = 1.5), исследователи обнаружили, что и LMS, и CPI будут смещены при оценке путевого коэффициента эффекта взаимодействия (Coenders et al., 2008). В исследовании 2 мы исследуем влияние на оценки четырех подходов с различными данными, распределенными не по нормальному закону.

В исследовании 1 мы пренебрегли возможностью корреляции X и Z. Однако это вполне вероятно в практических ситуациях, особенно в модели модерируемого посредничества. Поэтому в исследовании 2 мы также сравнили оценки, основанные на четырех подходах, когда X и Z были связаны.Другими словами, корреляция X и Z была установлена ​​на уровне 0 / 0,3.

Популяционная модель

Настройки данных в исследовании 2 аналогичны настройкам данных в исследовании 1 в отношении факторных нагрузок, дисперсий ошибок индикаторов, дисперсий скрытых переменных и путевых коэффициентов a, b 1 , b 2 и с . Для упрощения в исследовании 2 будут рассмотрены только условия высокой надежности. Более того, мы будем рассматривать только b 3 = 0 и 0.2 для коэффициента пути эффекта взаимодействия с N = 200 (что представляет собой обычный средний размер выборки в психологических исследованиях, Boomsma, 1982).

Распределение показателей

Это исследование контролировало распределение ошибок (δ) для индикаторов M и Z для создания ненормально распределенных данных. Для данных было пять типов распределений:

Тип 1: Нормальное распределение: δ м с, δ z с ~ N (0, 0.36).

Тип 2: Равномерное распределение: δ м с, δ z с ~ U [0, 1].

Тип 3: Симметричное распределение умеренного эксцесса: δ м с, δ z с ~ t5χ52 / 3 (Hu and Bentler, 1998).

Тип 4: Симметричное распределение высокого эксцесса: δ м с, δ z с ~ K1χ52 / 3 (Cham et al., 2012).

Тип 5: Слегка искаженное распределение: δ м с, δ z с ~ χ12.

Распределение ошибок (δ) для показателей X и Y по-прежнему было нормально распределено, как в исследовании 1.

Результаты

На основе пяти распределений данных оценки различных эффектов показаны в таблицах 5, 6.

Таблица 5 . Результаты моделирования 2, когда b 3 = 0.

Таблица 6 . Результаты моделирования 2, когда b 3 = 0,2.

Подобно исследованию 1, это исследование фокусируется на сравнении оценок коэффициента пути ( b 3 ) MZ взаимодействия, индекса умеренного посредничества ( a * b 3 ) и среднего оценки косвенных эффектов при различных значениях модератора ( a * ( b 1 + b 3 * Z ), при Z = 0, 1 SD , — 1 SD ) через четыре подхода.

Относительное смещение

Согласно таблицам 5, 6, результаты были аналогичными, когда корреляция между X и Z составляла 0 или 0,3. В частности, когда корреляция не равна нулю, оценки четырех подходов в целом были лучше по сравнению с условиями нулевой корреляции. В условиях нормального распределения и равномерного распределения (типы 1 и 2) CPI, UPI и LMS могут давать несмещенные оценки, LMS имеет наименьшее относительное смещение, когда b 3 ≠ 0. Когда b 3 = 0 результаты LMS и PI были аналогичными.Точность оценок с PA была относительно ниже, чем у трех других подходов, когда параметры интересов не равнялись нулю. Оценка PA была даже менее подходящей, когда данные имели симметричное распределение умеренного эксцесса, симметричное распределение высокого эксцесса или слегка искаженное распределение (Типы 3–5). Для данных типа 3 критериям соответствовали только оценки, полученные с помощью LMS с оценкой максимального правдоподобия, когда b 3 ≠ 0.

Когда cor (X, Z) = 0, для данных типа 4 ни один подход не может обеспечить приемлемую смещенную оценку скрытого эффекта взаимодействия, когда он не равен нулю.Из четырех подходов оценки LMS с оценкой максимального правдоподобия имели относительно меньшую систематическую ошибку, чем другие. Когда cor (X, Z) = 0,3, CPI может оценить коэффициент пути эффекта взаимодействия более точно, чем LMS с симметричным распределением высокого эксцесса (Тип 4). Для слегка искаженных распределенных данных (Тип 5) все подходы имели относительное смещение выше требуемого стандарта в 10%, когда параметр не равен нулю. Тем не менее, LMS по-прежнему дает наименьшее относительное смещение.В целом, LMS показала лучшие результаты с точки зрения оценок коэффициентов для всех пяти распределений.

По сравнению с оценкой максимального правдоподобия результаты не показали очевидных преимуществ байесовского метода в условиях ненормальности.

Стандартный коэффициент ошибок

На основе критерия отношения SE, только результаты LMS с устойчивыми стандартными ошибками были приемлемыми во всех условиях, за исключением данных типа 4 и b 3 = 0,2.

Чтобы провести предварительное сравнение между загрузочной SE и SE по умолчанию, сгенерированной оценщиком ML, мы также сравнили загрузочную SE со 100 отрисовками и SE по умолчанию в этом исследовании.Более того, чтобы выяснить, не было ли завышение оценок SE вызвано низким количеством розыгрышей, мы также рассмотрели бутстрапированный SE с 1000 розыгрышей. Чтобы сэкономить место, мы сообщили только результаты этого дополнительного расследования. Результаты показали, что PI без метода начальной загрузки недооценил стандартные ошибки. Для сравнения, PI с методом начальной загрузки переоценил стандартные ошибки, что привело к лучшему охвату и ухудшению мощности (таблица 7). Кроме того, метод начальной загрузки с 1000 отрисовок все еще переоценивал SE и не мог обеспечить приемлемый SE, когда данные были серьезно ненормально распределены.Результаты были аналогичны методу начальной загрузки со 100 розыгрышами в большинстве условий.

Таблица 7 . Коэффициент стандартной ошибки b 3 с использованием PI с / без бутстрепных стандартных ошибок в исследовании 2 ( b 3 = 0,2).

Охват

Все подходы привели к охвату примерно 90% во всех пяти условиях, кроме PA. Для PA уровень охвата был <90% с ненормально распределенными данными (типы 2–5) и ненулевыми параметрами.

Мощность

Как показано в таблице 6, мы обнаружили, что LMS имеет наивысшую статистическую мощность для обнаружения b 3 и умеренного эффекта посредничества ( a * b 3 ) среди четырех подходов как при нормальном, так и при нестандартном подходе. -нормальные условия. Для сравнения, PA лучше обнаруживает косвенные эффекты.

Частота ошибок типа I

Частота ошибок типа I b 3 и a * b 3 для четырех подходов в пяти условиях была между 0 и 0.16. CPI и UPI привели к меньшей ошибке типа I, в то время как PA привел к большей ошибке типа I, особенно когда данные распределены симметрично с высоким эксцессом (подробности см. В Таблице 5).

Показатель выполненных работ

Все подходы могут достичь 100% завершения для данных Типа 1 и Типа 2 (Таблица 8). Для данных с ненормальным распределением PA может достичь 100% -ной степени выполнения для всех условий, за исключением данных типа 4, когда b 3 ≠ 0 и X не коррелировал с Z (степень выполнения = 99.9%). Кроме того, LMS также продемонстрировала более высокий процент завершения, чем PI с ненормально распределенными данными.

Таблица 8 . Степень выполнения четырех подходов в исследовании 2.

Практическое руководство по LMS для непрерывных данных

Результаты двух вышеупомянутых имитационных исследований продемонстрировали преимущества LMS перед тремя другими подходами. Однако некоторые ограничения по-прежнему мешают применению LMS. Например, подгонку модели нельзя оценить непосредственно в M плюс .Чтобы продвигать использование LMS, мы предоставили практические рекомендации, которые проиллюстрировали, как оценивать подгонку модели и как применять процедуру Джонсона-Неймана (Johnson and Neyman, 1936) с результатами LMS. Соответствующие коды M плюс доступны в дополнительных материалах.

Масловский и др. (2015) предоставили подробное руководство по применению метода LMS с помощью оценщика ML. В этом разделе мы просто кратко изложили рекомендации в их документе и проиллюстрировали некоторые моменты, которые в нем не были затронуты.

Оценка модели

LMS можно легко реализовать в M плюс с помощью команды XWITH. Однако стандартизованные коэффициенты недоступны с использованием M плюс . Прикладные исследователи могут получить стандартизированные коэффициенты путем стандартизации данных.

Модель Фитинг

С учетом подгонки модели в LMS, хотя напрямую оценить подгонку модели сложно, все же существует альтернативный выбор, основанный на сравнении моделей. Масловский и др.(2015) предложили двухэтапный метод оценки подгонки модели: (1) Проведите модель без члена взаимодействия (Модель 0) и оцените модель на основе CFI, индекса Такера-Льюиса (TLI), значения хи-квадрат и т. Д. на; (2) добавьте член взаимодействия (Модель 1) и сравните подгонку модели с Моделью 0 на основе теста отношения логарифмического правдоподобия. Подгонка модели для модели 1 приемлема только в том случае, если модель 0 хорошо соответствует данным, а тест логарифмического правдоподобия показывает, что модель 1 лучше, чем модель 0. Для получения дополнительных сведений о кодах M плюс этого двухэтапного метода см. Масловскому и др.(2015).

Доверительный интервал начальной загрузки

В LMS можно получить как самонастраиваемую SE, так и надежную SE, и соответствующие коды M плюс были доступны в дополнительных материалах, когда упоминались исследования моделирования. Однако текущие исследования показали, что LMS с методом начальной загрузки требует много времени и переоценивает SE при низкой надежности или при ненормальном распределении данных. Чтобы получить надежные результаты, мы предлагаем прикладным исследователям сделать вывод, основанный как на начальном доверительном интервале, так и на тесте значимости.

Метод Джонсона-Неймана

Метод Джонсона-Неймана используется для получения непрерывных доверительных интервалов вокруг простых наклонов для всех значений замедлителя. Этот метод может облегчить интерпретацию результатов при модерационном анализе (Preacher et al., 2007). Его также можно реализовать в LMS с помощью M плюс . Его код доступен в дополнительных материалах.

Обсуждение

На основе двух симуляционных исследований мы рекомендуем подход LMS как оптимальный выбор для анализа модерируемых моделей посредничества второго этапа.Он может предоставить относительно несмещенные и надежные оценки скрытого эффекта взаимодействия b 3 , умеренного индекса посредничества a * b 3 и косвенных эффектов. Этот вывод был доказан не только в условиях низкой надежности, но и в случае нарушения предположения о многомерном нормальном распределении.

Из всех проведенных имитационных исследований исследование с низкой надежностью дало результаты с более высокой относительной систематической ошибкой и большим коэффициентом SE, а также с более низкой статистической мощностью и коэффициентом завершения.Хотя PA представляет собой простой подход для понимания и реализации исследователями, ошибки измерения создают проблемы для его применения. Когда надежность составляла приблизительно 0,8 (принятый уровень надежности для шкалы социальных наук), PA с оценкой ML показал недооценку эффекта взаимодействия на 8,45%, когда b 3 ≠ 0. Смещение этой оценки выросло до 56,68%. при снижении надежности до 0,6. Похоже, что PA страдает от растущей систематической ошибки в своих оценках с уменьшением надежности данных.Эта проблема также была выявлена ​​в ходе предыдущих исследований (Cheung and Lau, 2017). Хотя PA показал худшие результаты в оценках, было показано, что подход PA (Ng and Chan, 2020), основанный на оценках факторов, эффективно оценивает модели скрытой модерации. Нг и Чан (2020) также обнаружили, что этот метод факторной оценки дает объективные оценки эффекта модерации, когда совокупная надежность была просто приемлемой. Предлагаются дальнейшие исследования для изучения эффективности этого подхода с использованием факторных оценок в моделях модерируемого посредничества и для проверки того, сохраняется ли хорошая эффективность PA в обнаружении эффектов посредничества.

Снижение надежности также отрицательно повлияло на PI-анализ эффекта взаимодействия. Разумно ожидать, что процесс PI, требующий умножения показателей, усилит влияние ошибок измерения. Это было очевидно в нашем расследовании; снижение надежности данных привело к увеличению смещения соответствующих оценок. Напротив, LMS просто осуществляет взаимодействие с исходными данными в структуре скрытых переменных.Он не только учитывает влияние ошибок измерения, но также ограничивает влияние ошибок на оценку. Таким образом, оценки подхода LMS оставались приемлемыми в условиях различной надежности (Cham et al., 2012).

Исследование 2 сравнило четыре подхода с четырьмя различными типами данных с ненормальным распределением: равномерное распределение, симметричное распределение умеренного эксцесса, симметричное распределение высокого эксцесса и умеренное асимметричное распределение.Мы выбрали этот подход, потому что зависимая переменная X может коррелировать с модератором Z при анализе реальных данных. Мы также рассмотрели возможность корреляции этих переменных одновременно с состоянием ненормально распределенных индикаторов. Оценки были аналогичны условиям, когда X не коррелировал с Z. Результаты показали, что подход LMS был оптимальным выбором для всех этих ситуаций. Для нормально распределенных и равномерно распределенных данных подходы PI и LMS продемонстрировали лишь незначительный уровень систематической ошибки в своих оценках (Wall and Amemiya, 2001; Marsh et al., 2004; Чунг и Лау, 2017). Когда данные соответствуют симметричному распределению умеренного эксцесса, LMS предоставляет оценки с наименьшими погрешностями (Klein and Moosbrugger, 2000; Cheung and Lau, 2017). Для симметричных распределенных данных с высоким эксцессом и слегка искаженных распределенных данных оценки не могли соответствовать критериям ни при каком подходе. Однако по сравнению с тремя другими подходами LMS была наиболее подходящей для оценки эффектов замедления. Хотя он также не попал в идеальный интервал, он все же сохранил приемлемый баланс между точностью и стандартными ошибками для оценки.Возможное объяснение этого может заключаться в том, что LMS осуществляет взаимодействие напрямую, без индикаторов продукта, тогда как эти индикаторы необходимы и должны следовать предположению о многомерном нормальном распределении для других методов. Когда данные распределены ненормально, нарушение предположения приведет к смещению оценок стандартных ошибок, критериев значимости и интервалов параметров в рамках анализа PI (Klein and Moosbrugger, 2000).

Нарушение предположения о нормальном распределении данных могло бы более серьезно повлиять на оценку косвенных эффектов, чем эффекты взаимодействия между всеми подходами.Все четыре подхода давали неприемлемо необъективные оценки косвенных эффектов. Эти результаты согласуются с предыдущими исследованиями (Cham et al., 2012; Aytürk et al., 2019). Недавнее исследование показало, что применение инструментальных переменных в моделях скрытой модерации может снизить влияние ненормальности (Brandt et al., 2020). Однако, поскольку этот метод не может быть легко применен в M плюс , мы предлагаем прикладным исследователям использовать этот метод с программным обеспечением R при работе с данными, которые серьезно нарушают предположение о нормальности.Более того, эффективность инструментальных переменных не была тщательно исследована в моделях с модерированием-посредничеством, и поэтому в будущем потребуются дополнительные имитационные исследования.

По сравнению с оценкой ML, преимущества байесовского анализа в условиях небольшого размера выборки были продемонстрированы в исследовании 1. Однако, обеспечивая лучшие оценки среди всех подходов, байесовская оценка также имеет тенденцию переоценивать стандартные ошибки косвенных эффектов, тем самым уменьшая сила.Более того, в исследовании 2 байесовский метод не показал лучших результатов, чем оценка машинного обучения с ненормально распределенными данными. В этом исследовании было проведено предварительное изучение различных характеристик традиционного метода машинного обучения и байесовского метода в моделях с умеренным посредничеством. Необходимы дополнительные исследования, чтобы сравнить эти два метода в других условиях и выяснить, можно ли обойти недостатки байесовской LMS в оценке стандартных ошибок с помощью информативных априорных значений. Более того, поскольку апостериорные прогностические значения p недоступны в моделях с латентным умеренным посредничеством, соответствие модели байесовского анализа предполагает, что эти модели также нуждаются в дальнейшем изучении.

С учетом оценок стандартной ошибки LMS с устойчивыми стандартными ошибками работает лучше, чем стандартные ошибки начальной загрузки при оценке косвенных эффектов, особенно при низкой надежности и небольшом размере выборки. Завышенные оценки стандартных ошибок привели к тому, что метод начальной загрузки не смог обеспечить приемлемую мощность в этих условиях. PI со стандартными ошибками начальной загрузки также продемонстрировал завышенные оценки, аналогичные LMS с методом начальной загрузки с ненормально распределенными данными. Однако количество розыгрышей начальной загрузки, использованных в этом исследовании, невелико, поэтому в будущих исследованиях следует выяснить, можно ли обойти проблему завышения оценки за счет увеличения количества розыгрышей начальной загрузки.

Подгонка модели также является проблемой, существующей во всех скрытых подходах, применяемых к моделям с модерируемым посредничеством. Хотя LMS с M плюс не может предоставить индексы для оценки аппроксимации модели напрямую, все же существуют альтернативные методы. В дополнение к двухэтапному методу, предложенному Масловским и соавт. (2015), Герхард и др. (2017) также предложили новый индекс для обнаружения пропущенных нелинейных членов (квадратичных и взаимодействующих членов) в анализе скрытой модерации. Более того, хотя PI может предоставить обычно используемые индексы в SEM, Mooijaart and Satorra (2009) также показали, что критерий хи-квадрат нечувствителен при обнаружении эффекта взаимодействия с использованием метода PI.

Для этого исследования нам еще предстоит сделать гораздо больше с интегрированной моделью. Хотя в этом исследовании уже обсуждалась модель модерируемого посредничества в условиях низкой надежности, ненормального распределения и корреляции между независимыми и модераторными переменными, оно не могло охватить все ситуации для реальных исследований. В будущих исследованиях можно больше сосредоточиться на других типах интегрированных моделей, таких как модель с модерируемым посредничеством на первом этапе, чтобы выяснить, схожи ли характеристики четырех подходов к оценке.Поскольку все это сложные модели, подходящие подходы для разных условий могут отличаться. Условия в этом исследовании также были ограниченными; выводы могут быть дополнены наборами данных с категориальными и / или отсутствующими данными, более сложными манипуляциями с модерируемым индексом посредничества и рассмотрением корреляции с ошибками измерения и т. д. В будущих исследованиях также предлагается включать больше показателей для каждого фактора для сравнения эффективности стратегий сопоставления и разделения в моделях с модерируемым посредничеством.Более того, преимущества LMS в обработке недостающих значений по сравнению с PI также были продемонстрированы в предыдущем исследовании (Cham et al., 2017). Поскольку байесовская оценка имеет преимущества при работе с пропущенными значениями (Pan et al., 2017), в будущих исследованиях следует дополнительно изучить эффективность этих методов в таких условиях.

В целом, хотя PA является наиболее широко применяемым подходом для модели умеренного посредничества в практических исследованиях, на него сильно влияет игнорирование ошибок измерения.И CPI, и UPI могут дать приемлемые оценки, если выполняется предположение о многомерном нормальном распределении. Настоятельно рекомендуется применять LMS в практических исследованиях, поскольку она может обеспечить точные оценки параметров и убедительные выводы в таких условиях, как низкая надежность, ненормальное распределение данных и корреляции между переменными. Однако при работе с серьезно ненормально распределенными данными ни один подход в этой статье не может дать точных оценок, и, следовательно, ни один метод не подходит для применения в этих условиях.Практические рекомендации также подробно проиллюстрировали реализацию LMS, особенно о том, как получить самонастраивающийся доверительный интервал, как реализовать метод Джонсона-Неймана и как оценить подгонку модели. Это исследование могло бы помочь расширить применение LMS в исследованиях психологии и социальных наук и предоставить исследователям новый инструмент для обобщения своих выводов.

Заявление о доступности данных

В этом исследовании было проанализировано

наборов данных моделирования.Все материалы моделирования, включая создание данных, анализ и меры оценки, можно найти в дополнительных материалах.

Авторские взносы

QF, QS, LZ и JP разработали и выполнили исследование, провели анализ данных и написали рукопись. LZ и JP внесли существенный вклад в проведение дополнительных симуляционных исследований и критический пересмотр рукописи. QS, LZ, SZ и JP критически рассмотрели и отредактировали рукопись. QF, QS и LZ являются соавторами и внесли равный вклад в эту работу.Все авторы одобрили окончательный вариант рукописи для подачи.

Финансирование

Эта работа была поддержана Национальным фондом естественных наук Китая (NSFC 31871128) и Проектом гуманитарных и социальных наук Китая Министерства образования и науки (18YJA1

).

Конфликт интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Дополнительные материалы

Дополнительные материалы к этой статье можно найти в Интернете по адресу: https://www.frontiersin.org/articles/10.3389/fpsyg.2020.02167/full#supplementary-material

Сноски

Список литературы

Альгина Дж. И Моулдер Б. С. (2001). Заметка об оценке модели Йорескога-Янга для взаимодействия латентных переменных с использованием Лизреля 8.3. Struct. Уравнение. Модель. Мультидиск. J. 8, 40–52. DOI: 10.1207 / S15328007SEM0801_3

CrossRef Полный текст | Google Scholar

Антонакис, Дж., Бендахан, С., Жакар, П., и Лалив, Р. (2010). О причинных претензиях: обзор и рекомендации. Leadership Quart. 21, 1086–1120. DOI: 10.1016 / j.leaqua.2010.10.010

CrossRef Полный текст | Google Scholar

Ароян, Л. А. (1947). Функция вероятности произведения двух нормально распределенных переменных. Ann. Мат. Статист. 18, 265–271. DOI: 10.1214 / aoms / 1177730442

CrossRef Полный текст | Google Scholar

Айтюрк, Э., Чам, Х., Дженнингс, П. А., Браун, Дж. Л. (2019). Взаимодействие скрытых переменных с упорядоченно-категориальными индикаторами: сравнение неограниченного индикатора продукта и подходов со скрытыми модерированными структурными уравнениями. Educ. Psychol. Мера. 80, 262–292. DOI: 10.1177 / 0013164419865017

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Барон Р. М. и Кенни Д. А. (1986). Различие переменных модератора и посредника в социально-психологическом исследовании: концептуальные, стратегические и статистические соображения. J. Personal. Soc. Psychol. 51, 1173–1182. DOI: 10.1037 / 0022-3514.51.6.1173

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Боомсма, А. (1982). «Устойчивость LISREL к небольшим размерам выборки в моделях факторного анализа», в «Системы под косвенным наблюдением: причинность, структура, прогноз» (часть 1), , ред. К. Г. Йореског и Х. Уолд (Амстердам: Северная Голландия), стр. 149–173.

Google Scholar

Брандт, Х., Умбах, Н., Келава, А., Боллен, К.А. (2020). Сравнение оценок для моделей латентного взаимодействия при структурных и распределительных неправильных спецификациях. Psychol. Методы , 25, 321–345. DOI: 10.1037 / met0000231

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Чам, Х., Решетняк, Э., Розенфельд, Б., Брейтбарт, В. (2017). Оценка максимального правдоподобия полной информации для взаимодействий скрытых переменных с неполными индикаторами. Мультивар. Behav. Res. 52, 12–30. DOI: 10.1080 / 00273171.2016.1245600

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Чам, Х., Уэст, С. Г., Ма, Ю., и Айкен, Л. С. (2012). Оценка взаимодействия скрытых переменных с ненормальными наблюдаемыми данными: сравнение четырех подходов. Мультивар. Behav. Res. 47, 840–876. DOI: 10.1080 / 00273171.2012.732901

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Cheung, G. W., and Lau, R. S. (2008).Тестирование опосредованных и подавляющих эффектов скрытых переменных: запуск с моделями структурных уравнений. Орган. Res. Методы 11, 296–325. DOI: 10.1177 / 1094428107300343

CrossRef Полный текст | Google Scholar

Cheung, G. W., and Lau, R. S. (2017). Точность оценок параметров и доверительных интервалов в модерируемых моделях-посредниках: сравнение регрессии и скрытых модерируемых структурных уравнений. Орган. Res. Методы 20, 746–769. DOI: 10.1177/1094428115595869

CrossRef Полный текст | Google Scholar

Коендерс, Г., Батиста-Фоге, Дж. М., и Сарис, В. Э. (2008). Простой, эффективный и свободный от распределения подход к эффектам взаимодействия в сложных моделях структурных уравнений. Q. Quant. 42, 369–396. DOI: 10.1007 / s11135-006-9050-6

CrossRef Полный текст | Google Scholar

Коллинз, Л. М., Шафер, Дж. Л., и Кам, К. М. (2001). Сравнение инклюзивных и ограничительных стратегий в современных процедурах отсутствия данных. Psychol. Методы 6, 330–351. DOI: 10.1037 / 1082-989X.6.4.330

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Эдвардс, Дж. Р., и Ламберт, Л. С. (2007). Методы интеграции модерации и посредничества: общая аналитическая основа с использованием модерируемого анализа путей. Psychol. Методы 12, 1–22. DOI: 10.1037 / 1082-989X.12.1.1

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Фанг, Дж., Чжан, М., Гу, Х., и Лян, Д.(2014). Анализ модели умеренного посредничества на основе асимметричного интервала. Adv. Psychol. Sci. 22, 1660–1668. DOI: 10.3724 / SP.J.1042.2014.01660

CrossRef Полный текст | Google Scholar

Флора Д. Б. и Курран П. Дж. (2004). Эмпирическая оценка альтернативных методов оценки для подтверждающего факторного анализа с порядковыми данными. Psychol. Методы 9, 466–491. DOI: 10.1037 / 1082-989X.9.4.466

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Герхард, К., Бюхнер, Р. Д., Кляйн, А. Г., и Шермелле-Энгель, К. (2017). Индекс соответствия для оценки соответствия модели и обнаружения пропущенных терминов в нелинейной семантике. Struct. Уравнение. Модель. 24, 414–427. DOI: 10.1080 / 10705511.2016.1268923

CrossRef Полный текст | Google Scholar

Хейс, А. Ф. (2013). Введение в посредничество, модерацию и условный анализ процессов: подход, основанный на регрессии . Нью-Йорк, Нью-Йорк: Guilford Press.

Google Scholar

Хугланд, Дж.Дж. И Боомсма А. (1998). Исследования устойчивости в моделировании ковариационной структуры: обзор и метаанализ. Sociol. Методы Рез. 26, 329–367. DOI: 10.1177 / 004

98026003003

CrossRef Полный текст | Google Scholar

Ху, Л. Т., и Бентлер, П. М. (1998). Индексы соответствия в моделировании ковариационной структуры: чувствительность к неверной спецификации недо параметризованной модели. Психологические методы , 3, 424–453. DOI: 10.1037 / 1082-989X.3.4.424

CrossRef Полный текст | Google Scholar

Джеймс, Л.Р. и Бретт Дж. М. (1984). Посредники, модераторы и тесты на медиацию. J. Appl. Psychol. 69, 307–321. DOI: 10.1037 / 0021-9010.69.2.307

CrossRef Полный текст | Google Scholar

Джонсон, П. О., и Нейман, Дж. (1936). Проверка некоторых линейных гипотез и их приложения к некоторым образовательным задачам. Статист. Res. Воспоминания , 1, 57–93.

Google Scholar

Йореског, К. Г., и Янг, Ф. (1996). Модели нелинейных структурных уравнений: модель Кенни-Джадда с эффектами взаимодействия. Adv. Struct. Уравнение. Модель. 36, 57–88.

Google Scholar

Келава А., Брандт Х. (2009). Оценка моделей нелинейных скрытых структурных уравнений с использованием расширенного безусловного подхода. Rev. Psychol. 16, 123–132.

Google Scholar

Келава А., Вернер К. С., Шермелле-Энгель К., Моосбруггер Х., Цапф Д., Ма Ю. и др. (2011). Расширенное нелинейное моделирование скрытых переменных: аналитические оценки LMS и QML взаимодействия и квадратичных эффектов. Struct. Уравнение. Модель. 18, 465–491. DOI: 10.1080 / 10705511.2011.582408

CrossRef Полный текст | Google Scholar

Кенни, Д. А., и Джадд, К. М. (1984). Оценка нелинейных и интерактивных эффектов скрытых переменных. Psychol. Бык. 96, 201–210. DOI: 10.1037 / 0033-2909.96.1.201

CrossRef Полный текст | Google Scholar

Кляйн А.Г., Мосбруггер Х. (2000). Оценка максимального правдоподобия скрытых эффектов взаимодействия методом LMS. Психометрика 65, 457–474. DOI: 10.1007 / BF02296338

CrossRef Полный текст | Google Scholar

Кляйн А.Г., Мутен Б.О. (2007). Оценка квазимаксимального правдоподобия моделей структурных уравнений с множественным взаимодействием и квадратичными эффектами. Мультивар. Behav. Res. 42, 647–673. DOI: 10.1080 / 00273170701710205

CrossRef Полный текст | Google Scholar

Кириазос, Т. (2018). Прикладная психометрия: размер выборки и соображения мощности выборки в факторном анализе (EFA, CFA) и SEM в целом. Психология 9, 2207–2230. DOI: 10.4236 / psycho.2018.98126

CrossRef Полный текст | Google Scholar

Леджервуд, А., Шраут, П. Э. (2011). Компромисс между точностью и точностью в моделях со скрытыми переменными процессов посредничества. J. Personal. Soc. Psychol. 101, 1174–1188. DOI: 10.1037 / a0024776

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Ляо, Х., Лю, Д., и Лой, Р. (2010). Рассмотрение обеих сторон медали социального обмена: социальная когнитивная точка зрения на совместное влияние качества отношений и дифференциации на творчество. Acad. Управлять. J. 53, 1090–1109. DOI: 10.5465 / amj.2010.54533207

CrossRef Полный текст | Google Scholar

Марш, Х. В., Вен, З., Хау, К.-Т., и Нагенгаст, Б. (2013). «Модели структурных уравнений латентного взаимодействия и квадратичных эффектов», в Количественные методы в образовании и поведенческих науках: проблемы, исследования и преподавание. Моделирование структурным уравнением: второй курс, ред. Г. Р. Хэнкок и Р. О. Мюллер. п. 267–308.

PubMed Аннотация | Google Scholar

Марш, Х.W., Wen, Z., и Hau, K.T. (2004). Модели структурных уравнений скрытых взаимодействий: оценка альтернативных стратегий оценки и построение индикаторов. Psychol. Методы 9, 275–300. DOI: 10.1037 / 1082-989X.9.3.275

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Масловски Дж., Ягер Дж. И Хемкен Д. (2015). Оценка и интерпретация взаимодействий скрытых переменных: учебное пособие по применению метода скрытых модерируемых структурных уравнений. Внутр. J. Behav. Dev. 39, 87–96. DOI: 10.1177 / 0165025414552301

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Mooijaart, A., and Satorra, A. (2009). О нечувствительности теста модели хи-квадрат к нелинейной неправильной спецификации в моделях структурных уравнений. Психометрика 74, 443–455. DOI: 10.1007 / s11336-009-9112-5

CrossRef Полный текст | Google Scholar

Моосбруггер, Х., Шермелле-Энгель, К., и Кляйн, А.Г.(1997). Методологические проблемы оценки эффектов скрытого взаимодействия. Methods Psychol. Res. Интернет , 2, 95–111.

Google Scholar

Moulder, B.C., и Algina, J. (2002). Сравнение методов оценки и тестирования взаимодействий скрытых переменных. Struct. Уравнение. Модель. 9, 1–19. DOI: 10.1207 / S15328007SEM0901_1

CrossRef Полный текст | Google Scholar

Мюллер Д., Джадд К. М. и Изербит В. Ю. (2005). Когда модерирование является посредником, а посредничество — модератором. J. Personal. Soc. Psychol. 89, 852–863. DOI: 10.1037 / 0022-3514.89.6.852

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Muthén, B., and Asparouhov, T. (2012). Моделирование байесовскими структурными уравнениями: более гибкое представление основной теории. Psychol. Методы 17, 313–335. DOI: 10.1037 / a0026802

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Мутен, Л. К., и Мутен, Б. О. (1998-2017). Руководство пользователя Mplus.8-е издание . Лос-Анджелес, Калифорния: Автор.

Нг, Дж. К. К., и Чан, В. (2020). Скрытый анализ модерации: факторный подход. Struct. Уравнение. Модель. 27, 629–648. DOI: 10.1080 / 10705511.2019.1664304

CrossRef Полный текст | Google Scholar

Пан, Дж., ИП, Э. Х. и Дубе, Л. (2017). Альтернатива апостериорной модификации модели в подтверждающем факторном анализе: байесовское лассо. Psychol. Методы 22, 687–704. DOI: 10.1037 / met0000112

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Проповедник К.Дж., Рукер, Д. Д., Хейс, А. Ф. (2007). Рассмотрение гипотез модерируемого посредничества: теория, методы и рецепты. Мультивар. Behav. Res. 42, 185–227. DOI: 10.1080 / 00273170701341316

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Ри, М. Дж., И Карретта, Т. Р. (2006). Роль ошибки измерения в знакомой статистике. Орган. Res. Методы 9, 99–112. DOI: 10.1177 / 1094428105283192

CrossRef Полный текст | Google Scholar

Сарис, В.Э., Батиста-Фоге, Дж. М., и Коендерс, Г. (2007). Выбор показателей для члена взаимодействия в моделях структурных уравнений с взаимодействием. Q. Quan. 41, 55–72. DOI: 10.1007 / s11135-005-3956-2

CrossRef Полный текст | Google Scholar

Schermelleh-Engel, K., Klein, A., and Moosbrugger, H. (1998). «Оценка нелинейных эффектов с использованием подхода со скрытыми модифицируемыми структурными уравнениями» в «Взаимодействие и нелинейные эффекты в моделировании структурных уравнений». eds Schumacker, R.E. и Marcoulides G.A (Махва, Нью-Джерси: Lawrence Erlbaum Associates, Inc.).

Google Scholar

Тепер Р., Сегал З. В., Инзлихт М. (2013). Внутри осознанного разума: как внимательность улучшает регулирование эмоций за счет улучшения исполнительного контроля. Curr. Прямой. Psychol. Sci. 22, 449–454. DOI: 10.1177 / 0963721413495869

CrossRef Полный текст | Google Scholar

ван де Шут, Р., Винтер, С. Д., Райан, О., Зондерван-Цвейненбург, М., и Депаоли, С. (2017). Систематический обзор байесовских статей по психологии: последние 25 лет. Psychol. Методы 22, 217–239. DOI: 10.1037 / met0000100

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Уолл, М. М., и Амемия, Ю. (2001). Обобщенная процедура добавленного индикатора продукта для анализа нелинейных структурных уравнений. J. Educ. Behav. Статист. 26, 1–29. DOI: 10.3102 / 10769986026001001

CrossRef Полный текст | Google Scholar

Стена, м.М., и Амемия Ю. (2003). Метод моментной техники для подгонки эффектов взаимодействия в моделях структурных уравнений. Br. J. Mathe. Статист. Psychol. 56, 47–63. DOI: 10.1348 / 000711003321645331

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Вэнь З., Марш Х. У. и Хау К. Т. (2010). Модели структурных уравнений скрытых взаимодействий: подходящее стандартизированное решение и его безмасштабные свойства. Struct. Уравнение. Модель. 17, 1–22.DOI: 10.1080 / 10705510

8872

CrossRef Полный текст | Google Scholar

Настройка модерации каналов и управление ею — Microsoft Teams

  • 2 минуты на чтение
  • Применимо к:
    Microsoft Teams

В этой статье

В Microsoft Teams владельцы групп могут включить модерацию для стандартного канала, чтобы контролировать, кто может создавать новые сообщения и отвечать на сообщения в этом канале.

Владельцы команд также могут добавлять членов команды в качестве модераторов. Владелец команды может не иметь опыта в предметной области на уровне канала, чтобы лучше поддерживать модерацию канала. Позволяя определенным членам команды модерировать канал, ответственность за управление контентом и контекстом внутри канала распределяется между владельцами команд и модераторами каналов. Например, владелец команды может добавлять владельцев бизнеса или владельцев контента в качестве модераторов, что позволяет им управлять обменом информацией в этом канале.

Примечание

Для стандартных каналов доступна модерация. Это недоступно для общего канала или частных каналов.

Что может делать модератор канала?

Модераторы канала могут:

  • Начать новые сообщения в канале. Когда модерация включена для канала, только модераторы могут создавать новые сообщения на этом канале.
  • Добавление и удаление участников группы в качестве модераторов канала. Имейте в виду, что по умолчанию владельцы команд являются модераторами каналов и не могут быть удалены.
  • Определяет, могут ли члены команды отвечать на существующие сообщения канала, а также могут ли боты и соединители отправлять сообщения канала.

Сценарии

Вот несколько примеров того, как ваша организация может использовать модерацию каналов в Teams.

Использовать канал как канал объявлений

Маркетинговая группа использует специальный канал, чтобы делиться ключевыми объявлениями о проектах и ​​результатами. Иногда члены команды размещают на канале контент, который более подходящим образом принадлежит другим каналам.Владелец команды хочет ограничить обмен информацией в канале только объявлениями, чтобы члены команды могли использовать этот канал, чтобы оставаться в курсе того, что важно.

В этом сценарии владелец группы добавляет потенциальных клиентов по маркетингу в качестве модераторов, чтобы они могли публиковать объявления в канале, и отключает возможность членов группы отвечать на сообщения в этом канале.

Используйте канал для обсуждения в классе в Teams for Education

В Teams for Education учитель естественных наук хочет использовать канал, чтобы вовлечь учащихся в предметные обсуждения конкретных тем в классе.

В этом сценарии учитель позволяет своим помощникам по обучению модерировать канал. Затем помощники преподавателя могут создавать новые сообщения, чтобы инициировать и проводить обсуждения со студентами.

Управление модерацией канала

В Teams перейдите к каналу, щелкните Дополнительные параметры … > Управление каналом . Отсюда вы можете включать и выключать модерацию, добавлять членов команды в качестве модераторов и устанавливать предпочтения.

Модерация каналов — это настройка для каждого канала.Для модерации канала нет настройки на уровне клиента. Если вы хотите, чтобы мы добавили параметр модерации канала на уровне клиента, запросите его в Teams UserVoice.

Примечание

В 2021 году Microsoft будет переходить от UserVoice к нашему собственному решению для обратной связи с клиентами для отдельных продуктов. Подробнее.

Включение или отключение модерации для канала

По умолчанию модерация отключена, что означает, что обычные настройки канала применяются к владельцам и членам команды.Например, вы можете ограничить новые сообщения только для членов команды или разрешить всем, включая гостей, создавать новые сообщения.

Чтобы включить модерацию для канала, в разделе Модерация канала щелкните На . Когда модерация канала включена, только модераторы могут создавать новые сообщения.

Добавить или удалить модераторов канала

Менее Кто модераторы? , щелкните Управление , а затем добавьте или удалите участников группы в качестве модераторов. Владельцы команд и модераторы могут добавлять и удалять других модераторов.

Установить разрешения для членов группы

В разделе Разрешения для членов группы установите флажки рядом с действиями, которые вы хотите разрешить.

Больше Модерация контента не всегда лучше

Модерация контента съедает мир. Наборы правил платформ стремительно растут, их сервисы усыпаны ярлыками, а десятки тысяч пользователей регулярно загружаются. Ни одна платформа не застрахована от требований, чтобы она вмешивалась и налагала ограничения на контент, создаваемый пользователями.Эта тенденция не нова, но уникальные обстоятельства глобальной чрезвычайной ситуации в области общественного здравоохранения и давление, связанное с выборами в США в 2020 году, привели к ее усилению. Теперь, когда некоторые части мира начинают выходить из пандемии, а главный интернет-тролль отнесен к мало посещаемому блогу, вопрос в том, был ли прошедший год началом падения по ужасно скользкой дорожке модерации контента. или состояние исключения, которое скоро закончится.

Наверняка никогда не будет возврата к старым временам, когда такие платформы, как Facebook и Twitter, пытались умыть руки от основной части того, что происходило на их сайтах, с верой в то, что пользователи Интернета как мировое сообщество будут волшебным образом управлять собой. .Но медленное и неуклонное движение к будущему, в котором будет решаться все больше проблем, пытаясь стереть контент с лица Интернета, также является упрощенным и неэффективным подходом к сложным вопросам. Интернет стоит на распутье, и стоит задуматься о том, какой путь мы для него выберем. Больше модерации контента — это не всегда лучшая модерация, и на каждом этапе приходится идти на компромиссы. Возможно, эти компромиссы того стоят, но игнорирование их не означает, что их не существует.

Взгляд на то, как мы сюда попали, показывает, почему решения проблем социальных сетей не так очевидны, как может показаться. Дезинформация о пандемии должна была быть самым простым случаем. В ответ на глобальную чрезвычайную ситуацию платформы и, наконец, быстро двигались и подавляли дезинформацию о Covid-19 так, как никогда раньше. В результате в марте 2020 года была примерно неделя, когда платформы социальных сетей, подвергавшиеся почти безжалостной критике в течение последних четырех лет, снова стали хорошими.«Кто знал, что techlash восприимчив к вирусу?» — спросил Стивен Леви.

Энтузиазм по поводу этих действий был настолько велик, что к ним сразу же обратились с призывом делать одно и то же в отношении всей дезинформации, а не только медицинской. Первоначально платформы настаивали на том, что дезинформация Covid отличается. Они утверждали, что вероятность причинения вреда была выше. Кроме того, были четкие органы власти, на которые они могли указать, например, Всемирная организация здравоохранения, которые могли сказать им, что правильно, а что нет.

Но линия продержалась недолго. Платформы продолжают накладывать все больше и больше ограничений на то, что люди могут сказать об их услугах. Во время выборов 2020 года в США повсюду наклеили ярлыки. Они вмешались с необычайной быстротой, чтобы понизить рейтинг или заблокировать статью о Хантере Байдене, опубликованную в крупном СМИ, New York Post . Они деплатформировали отрицателей Холокоста, сторонников QAnon и, в конечном итоге, самого действующего президента Соединенных Штатов.

Модерация контента сейчас набирает обороты, и сопутствующий ущерб на ее пути слишком часто игнорируется.

Многим всего этого пока мало. Призывы к платформам работать лучше и убирать больше контента остаются сильными и устойчивыми. Законодатели всего мира, конечно, не уменьшили своих кампаний давления. Вряд ли сейчас в мире найдется страна, в которой или человек предпринимали бы шаги по регулированию социальных сетей в той или иной форме. Буквально на прошлой неделе Европейский Союз усилил свой Кодекс поведения в отношении дезинформации, заявив, что более строгий кодекс необходим, поскольку «угрозы, создаваемые дезинформацией в Интернете, быстро развиваются» и что продолжающаяся инфодемия «подвергает опасности жизнь людей.«Сенаторы США по-прежнему пишут на платформы, прося их удалить определенные профили. Платформы продолжают вводить новые правила, направленные на ограничение распространения дезинформации.

По мере того, как компании разрабатывают все больше типов технологий для поиска и удаления контента различными способами, возникает ожидание, что они должны их использовать. Может умеренно означает, что следует от до умеренного. В конце концов, после того, как инструмент начал использоваться, его трудно положить обратно в коробку. Но модерация контента сейчас набирает обороты, и сопутствующий ущерб на ее пути слишком часто игнорируется.

Преступный мир модерации онлайн-контента

Более ста тысяч человек работают модераторами онлайн-контента, просматривая и оценивая наиболее жестокий, тревожный и эксплуатирующий контент в социальных сетях. В новой книге «За ширмой» Сара Т. Робертс, профессор информационных исследований Калифорнийского университета в Лос-Анджелесе, описывает, как эта работа влияет на их профессиональную и личную жизнь. Робертс, проводившая интервью с нынешними и бывшими модераторами контента, обнаружила, что многие работают в Кремниевой долине, но она также побывала на Филиппинах, где часть работы была передана на аутсорсинг.Из ее исследования мы узнаем об эмоциональных потерях, низкой заработной плате и плохих условиях работы в большинстве случаев модерации контента. Робертс никогда не оспаривает, что работа имеет решающее значение, но поднимает вопрос о том, насколько компании, такие как Facebook и Google, на самом деле ее ценят.

Недавно я разговаривал по телефону с Робертсом. Во время нашего разговора, который был отредактирован для большей ясности, мы обсуждали, почему найти и удалить оскорбительный контент так сложно, почему работа так сложна в психологическом плане, и какие исправления могли бы помочь этим работникам и улучшить их работу.

Что такого в жизни людей, выполняющих эту работу, вы считали важным для понимания людьми?

Я пришел к этой теме в 2010 году. Природа работы требовала полного экстрасенсорного участия и приверженности, что вызывало беспокойство, потому что это был поток, который они не могли предсказать, и они всегда были открыты для чего угодно и в любое время. . Люди стекались на эти платформы, в немалой степени, по крайней мере, в американском контексте, потому что в некоторых случаях их заставляли верить — молчаливо или открыто — в то, что подобное пребывание в сети позволит им самовыражаться.Им сказали, что у вас есть свои мысли или у вас есть то, что вы хотите выразить, вы делитесь ими на платформе и можете транслировать их по всему миру. Слоган YouTube звучал так: «Транслируйте себя».

Их продавали за идею, что вы можете беспрепятственно распространять свои мысли по всему миру, и на самом деле оказалось, что есть большие здания, заполненные людьми, принимающими действительно важные решения о том, было ли это самовыражение или нет. подходящее.Да и сами платформы об этом ничего не говорили. Они не говорили, кто эти люди, где они были, и не говорили на самом деле, на каких основаниях они принимали свои решения. Была полная непрозрачность во всех направлениях. Мне было любопытно узнать о сложном характере работы, а затем о секретности и отсутствии общения, а также о том, что это означает для ориентации мира на социальные сети как замену публичной площади.

Чем в среднем заняты люди, занимающиеся этими работами?

Я смотрел на рядовых людей, которые были бы новичками не только в этой конкретной работе по модерации коммерческого контента, но и в индустрии высоких технологий.Обычно это считается работой начального уровня, а это означало, что ею занималось много молодых людей, но не исключительно. Во всех рассмотренных мною случаях это были люди с достаточно высоким образованием, выпускники колледжей. Опять же, это были люди, работавшие в элитных компаниях Кремниевой долины. Но вместо того, чтобы приходить в эти фирмы в качестве штатных сотрудников, перед которыми им предстояла карьерная траектория, они приходили на работу по контракту и через сторонних поставщиков. Они приходили с относительно низкой заработной платой, особенно по сравнению со сверстниками, с которыми они могли работать бок о бок в таком месте.А в случае с Соединенными Штатами им не оказывалась медицинская помощь в рамках этой договоренности; Когда мы думаем о психологических проблемах или других проблемах со здоровьем, которые возникают на работе, люди получают медицинскую помощь через свою работу.

Работа, как правило, была чем-то, чем вы, вероятно, не стали бы заниматься долгое время. Вы, вероятно, сделаете это в течение пары лет и либо будете ограничены сроком из-за договорных отношений, которые фирмы заключили с этими сторонними подрядчиками, либо вы просто выгорите.Вы либо не сможете больше этого терпеть, либо станете настолько лишены чувствительности, что больше не будете хорошо справляться с этой работой.

Это выгорание или снижение чувствительности — что происходит в их работе, что вызывает это?

То, что эти люди делали, было на самом деле процессом принятия решений на переднем крае, когда они сидели перед экраном и подключались к системе очереди, которая обслуживала их контент, который кто-то другой, кто-то вроде вас или меня , возможно, столкнулся на платформе и у него возникла проблема с.Мы сочли это оскорбительным, мы нашли это тревожным, может быть, это было действительно очень плохо, или незаконная деятельность, или кому-то был причинен вред. И кто-то вроде нас сообщит об этом.

Этот материал собирался и упорядочивался по очередям, и люди с другой стороны очереди были этими модераторами, которые затем просматривали его, обычно всего в течение нескольких секунд, из-за огромного объема, а затем быть призванным запомнить внутреннюю политику компании в отношении того, что компания разрешала или запрещала.А затем они применяли эту политику к конкретному фрагменту контента, и в конечном итоге это было действительно бинарное решение: это должно оставаться в силе или это должно уменьшаться, и оно должно уменьшаться на этих основаниях, а затем они будут на следующий фрагмент содержания.

Иногда то, что они видели, было бы совершенно безобидным. Но следующий фрагмент может быть чем-то очень шокирующим и отвратительным. И этим людям приходилось иногда принимать решения тысячами в день в свою смену.

Каковы, по вашему мнению, психологические издержки этого? И, во-вторых, обнаружили ли вы, что компания вообще заботится о том, что это происходит с этими работниками?

По первому пункту, очевидно, я не профессиональный психолог. Но, по их собственным словам, многие рабочие утверждали, что у них не было никаких вредных последствий. И я принимал это за чистую монету, а затем мы продолжали разговаривать и взаимодействовать, и они говорили мне что-то вроде: «Знаешь, с тех пор, как я устроился на эту работу, я действительно много пил.Я просто прихожу ночью домой, я действительно не хочу ни с кем разговаривать ». Или: «Я избегаю социальных ситуаций».

Один случай, который действительно выделился для меня, — это один из этих людей, который снова и снова говорил мне, что он может справиться с этим, и он не оказал никакого влияния лично. Затем он рассказал мне об одной ночи, когда он был дома, в Сан-Франциско, со своей девушкой — они были на диване. Она подошла к нему, чтобы сблизиться с ним, они целовались, приближались. И вдруг он просто жестко вооружил ее, как футбольный ход, и оттолкнул.И он сказал мне: «Знаешь, я не мог сказать ей, что я сделал это, потому что образ того, что я видел на работе в тот день, всплыл у меня в голове в этот интимный момент, и это просто отключило меня. . » Это хорошая замена тому, что люди раскрывают.

Одна женщина раньше работала на MySpace, что раньше было большим делом, и она сказала мне, что теперь она бухгалтер. Она как можно дальше отошла от людей и занялась числовым бизнесом.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *