Constant Sum

Name: Potato
Author: Potato

Constant-Sum-Annotation in Potato konfigurieren: Punkte aus einem festen Budget auf Kategorien verteilen, wahlweise über Zahlenfelder oder Schieberegler.

Mit dem Annotationsschema Constant Sum verteilen Annotatoren eine feste Punktzahl auf mehrere Kategorien. Anders als Soft Labels, die gekoppelte Schieberegler verwenden, unterstützt Constant Sum sowohl direkte Zahleneingaben als auch Schieberegler und ist für Aufgaben gedacht, in denen Annotatoren innerhalb eines festen Budgets explizit abwägen müssen.

Constant-Sum-Oberfläche in Potato, in der 100 Punkte auf Feature-Prioritäten verteilt werden Constant Sum in Potato

Überblick

Constant-Sum-Aufgaben sind in der Umfrageforschung und bei der Präferenzerhebung verbreitet. Annotatoren bekommen einen festen Vorrat an Punkten (etwa 100) und müssen ihn auf die Elemente verteilen, um relative Wichtigkeit, Präferenz oder Anteile auszudrücken. Die Oberfläche erzwingt, dass die Verteilung immer die konfigurierte Summe ergibt.

Schnellstart

yaml

annotation_schemes:
  - annotation_type: constant_sum
    name: feature_importance
    description: Distribute 100 points across features based on their importance.
    labels: ["Accuracy", "Speed", "Ease of Use", "Cost"]
    total_points: 100

Konfigurationsoptionen

Feld	Typ	Standard	Beschreibung
`annotation_type`	string	Pflicht	Muss `"constant_sum"` sein
`name`	string	Pflicht	Eindeutige Kennung dieses Schemas
`description`	string	Pflicht	Anweisungen, die den Annotatoren angezeigt werden
`labels`	array	Pflicht	Liste der Elemente, auf die Punkte verteilt werden (mindestens 2)
`total_points`	integer	`100`	Feste Summe, die die Verteilung ergeben muss
`min_per_item`	integer	`0`	Mindestpunktzahl, die jedes Element bekommen muss
`input_type`	string	`"number"`	Eingabeart: `"number"` für Textfelder oder `"slider"` für Schieberegler
`label_requirement.required`	boolean	`false`	Ob die Annotation vor dem Weitergehen ausgefüllt sein muss

Beispiele

Feature-Priorisierung

yaml

annotation_schemes:
  - annotation_type: constant_sum
    name: feature_priority
    description: Allocate 100 points to indicate which features matter most to you.
    labels: ["Performance", "Reliability", "Usability", "Security"]
    total_points: 100
    input_type: number

Budgetverteilung

yaml

annotation_schemes:
  - annotation_type: constant_sum
    name: budget_allocation
    description: How would you distribute a $1000 budget across these areas?
    labels: ["Marketing", "Engineering", "Design", "Research"]
    total_points: 1000
    input_type: slider
    min_per_item: 50

Zeitverteilung

yaml

annotation_schemes:
  - annotation_type: constant_sum
    name: time_spent
    description: Distribute 24 points (hours) across daily activities.
    labels: ["Work", "Sleep", "Exercise", "Leisure", "Commute", "Other"]
    total_points: 24
    min_per_item: 0

Einfacher Vergleich mit Schiebereglern

yaml

annotation_schemes:
  - annotation_type: constant_sum
    name: text_comparison
    description: Distribute 10 points between the two texts based on quality.
    labels: ["Text A", "Text B"]
    total_points: 10
    input_type: slider

Ausgabeformat

json

{
  "feature_importance": {
    "labels": {
      "Accuracy": 40,
      "Speed": 25,
      "Ease of Use": 20,
      "Cost": 15
    }
  }
}

Die Werte ergeben immer die konfigurierte Summe total_points.

Praxistipps

Eine eingängige Summe wählen – 100 funktioniert gut für Prozentangaben; kleinere Summen (10, 20) sind bei schnellen Aufgaben leichter zu handhaben
Zahlenfelder für Genauigkeit – wenn exakte Werte zählen, sind Zahlenfelder präziser als Schieberegler
Schieberegler für Tempo – für ungefähre Verteilungen geht es mit Schiebereglern schneller
Zahl der Elemente begrenzen – ab 7 bis 8 Elementen wird die Punktverteilung kognitiv anstrengend
Mindestverteilungen bedenken – min_per_item nutzen, wenn jede Kategorie mindestens ein paar Punkte bekommen soll
Klaren Kontext geben – erklären, wofür die Punkte stehen (Wichtigkeit, Zeit, Geld usw.)

Weiterführende Informationen

Soft Label – Wahrscheinlichkeitsverteilung mit gekoppelten Schiebereglern
Best-Worst-Scaling – Annotation relativer Präferenzen
Likert-Skalen – ordinale Bewertungsskalen

Implementierungsdetails stehen in der Quelldokumentation.