本研究针对众包平台（如Prolific和Mechanical Turk）上调查问卷参与者越来越多使用大型语言模型（LLM）辅助回答的现象，旨在量化这种行为的普遍性并探索检测与缓解方法。研究团队开展了一系列调查（样本量N=250），系统评估了平台选择、调查长度、明确要求不使用AI、以及禁用复制粘贴功能等条件对LLM使用频率的影响。通过分析回答的文本特征（如语言风格、一致性、错误模式等），研究人员成功识别出LLM辅助回答的独特特征，并发现其使用频率在不同平台间差异显著：在Prolific上低于10%，而在Mechanical Turk上超过80%。缓解措施（如禁用复制粘贴、加入不适用AI的请求）虽降低了LLM的使用率，但并未显著提高数据质量，暗示部分真实回答也被错误过滤。此外，研究期间未观察到参与者使用浏览器自动化代理（browser-use agents）的现象，但作者分享了基于按键记录和回答模式分析的检测实验。最终建议研究人员在数据收集阶段主动记录和分析按键数据，并设计针对AI的指令和问题，以更有效地筛选出LLM生成的回答。该研究首次系统量化了众包调查中LLM使用的规模与检测有效性，为人机交互和计算社会科学领域提供了重要参考。

本文提出一个名为DARTIC的去中心化匿名声誉框架，旨在解决链上众包系统中匿名性、声誉绑定和可扩展性之间的矛盾。现有去中心化声誉系统通常无法同时满足这三个要求。DARTIC采用双账本系统，允许请求者和工作者在不同交互中使用不同假名，实现不可链接性同时保持可问责性。为了抵御女巫攻击和声誉重置攻击，利用基于zkSNARK的集合成员证明，将所有用户假名加密绑定到单个访问令牌而不暴露连接关系。在可扩展性方面，研究了两种聚合技术，将多个证明压缩为单个简洁证明以减少验证开销。此外，设计了一个自动隐私保护声誉模型，能够动态评估不同众包场景中的贡献。在众感知和联邦学习场景中实例化并评估DARTIC，结果显示：单个令牌花费的证明生成时间不到3秒；聚合将1024个证明的验证时间从8.7秒降至0.96秒；zk批处理相比纯Layer-1部署降低了超过100倍的Gas成本。实验证明匿名性、强声誉绑定和可扩展性可以在完全去中心化众包系统中同时实现。