Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pemilihan adalah proses keputusan penting yang dapat mempengaruhi kehidupan kita secara signifikan. Penghitungan suara di pemilihan tidak bebas dari kesalahan manusia atau kesalahan mesin. Audit berfungsi untuk memverifikasi hasil pemilihan. Sebuah audit dengan batasan risiko memastikan audit memiliki peluang tinggi untuk mengonfirmasikan pemenang yang dilaporkan (jika pemenang yang dilaporkan memang betul) sebagai pemenang sesungguhnya dan mengoreksi hasil pemilihan (jika pemenang yang dilaporkan salah). Ballot-polling Risk-limiting Audits to Verify Outcomes (BRAVO) adalah audit dengan batasan risiko yang menguji sampel per kertas suara individu yang diambil secara acak (dari hasil pemungutan suara). Riset ini mendefinisikan prosedur audit pada pemungutan suara dengan batasan risiko untuk seleksi pemenang Condorcet. Riset ini melakukan eksperimen yang menunjukkan kalau BRAVO bisa digunakan untuk seleksi pemenang Condorcet. Riset ini juga menunjukkan efektivitas dan efisiensi dari prosedur audit. Selain itu, riset ini menunjukkan efek dari batasan risiko dan terhadap banyak kertas suara yang diperlukan di prosedur audit.

---

Election is a crucial decision-making process that can affect significantly our lives. The outcome of an election must be accurate. Tallying in election is not free from human errors or machine errors. Therefore, a corrective measure is necessary to verify the election outcome. This is the role of an audit. A risk-limiting audit ensures that the audit has a high chance to confirm a correct reported winner and correct any erroneous reported winner. BRAVO is a risk-limiting audit that examines samples per randomly-drawn individual ballot (ballot-polling). This research defines the ballot-polling risk-limiting audit procedure for the selection of Condorcet winner. This research conducts an experiment that shows BRAVO can be used for the selection of Condorcet winner"

"Penelitian ini mengeksplorasi efektivitas penggunaan neural rerankers yang telah dilatih sebelumnya dalam meningkatkan kinerja model berbasis text matching seperti BM25 untuk digunakan dalam deteksi pertanyaan duplikat pada consumer health forum. Studi ini juga meneliti metode agregasi hasil reranking dari berbagai neural rerankers untuk menghasilkan performa yang lebih baik dibandingkan penggunaan reranker individual. Metode reranking pertama menggunakan BM25, diikuti oleh reranking kedua menggunakan model neural seperti cross-encoder/ms-marco-MiniLM-L-12-v2, paraphrase-MiniLM-L6-v2, dan lainnya. Tahap ketiga melibatkan teknik rank fusion seperti Borda Fuse, Condorcet, dan Weighted Combsum. Hasil menunjukkan bahwa kombinasi reranking dengan neural reranker secara signi kan meningkatkan efektivitas model BM25, terutama saat menggunakan teknik rank fusion yang lebih canggih seperti Weighted Combsum. Studi ini menyarankan bahwa agregasi hasil reranking dapat mengatasi kelemahan individual reranker dan memberikan hasil yang lebih konsisten dan efektif. Penelitian ini membuka jalan untuk eksplorasi lebih lanjut dalam optimisasi kombinasi model untuk pencarian informasi yang lebih akurat dan e sien.

---

This study explores the effectiveness of using pre-trained neural rerankers in improving the performance of text matching based models such as BM25 for use in duplicate question detection in textitconsumer health forum. This study also examines the method of aggregating reranking results from various neural rerankers to produce better performance than using individual rerankers. The rst reranking method used BM25, followed by the second reranking using neural models such as cross-encoder/ms-marco-MiniLM-L-12-v2, paraphrase-MiniLM-L6-v2, and others. The third stage involves rank fusion techniques such as BordaFUSE, Condorcet, and Weighted COMBSUM. Results show that the combination of reranking with neural rerankers signi cantly improves the effectiveness of the BM25 model, especially when using more advanced rank fusion techniques such as Weighted COMBSUM. This study suggests that aggregation of reranking results can overcome the weaknesses of individual rerankers and provide more consistent and effective results. This research paves the way for further exploration in model combination optimization for more accurate and ef cient information retrieval."