La multitud de sensado utiliza una variedad de recursos de sensado y participantes, incluidos los sensores de dispositivos móviles, para lograr un sensado colaborativo y fusión de información. Esto le permite manejar tareas complejas de sensado social y proporcionar servicios de sensado ambiental más inteligentes y en tiempo real. Los mecanismos de incentivos en la multitud de sensado se emplean para abordar problemas relacionados con la participación insuficiente de los usuarios y la presentación de datos de baja calidad. Sin embargo, los mecanismos existentes no consideran adecuadamente los puntos de referencia en la toma de decisiones de los usuarios y la incertidumbre en el entorno de toma de decisiones. Esto resulta en altos costos de incentivos para la plataforma y una efectividad limitada. Por un lado, las probabilidades y utilidades en el entorno de decisión real se definen en función de las preferencias de los usuarios, y la incertidumbre puede llevar a impactos impredecibles en las ganancias o pérdidas futuras de los usuarios. Por otro lado, los usuarios identifican sus elecciones en función de ciertos valores conocidos, es decir, puntos de referencia. Los factores que influyen en las decisiones de los usuarios no son únicamente el nivel absoluto final del resultado, sino más bien los cambios relativos o diferencias entre el resultado final y el punto de referencia. Por lo tanto, para resolver este problema, proponemos TB-HQ, un mecanismo de incentivos para la cooperación de alta calidad en la multitud de sensado, que simultáneamente considera los puntos de referencia adoptados por los usuarios en la toma de decisiones y la incertidumbre causada por sus preferencias. Este mecanismo incluye un mecanismo de incentivos basado en bonificaciones por tarea (TBIM) y un mecanismo de selección de ganadores impulsado por alta calidad (HQWSM). TBIM motiva a los usuarios a participar en tareas ofreciendo bonificaciones por tarea, que alteran sus puntos de referencia. HQWSM mejora la calidad de los datos reconstruyendo funciones de utilidad basadas en las preferencias de los usuarios. Los resultados de la simulación indican que el mecanismo de incentivos propuesto es más efectivo para mejorar la calidad de los datos y la utilidad de la plataforma que los mecanismos de incentivos comparativos, con un aumento del 32,7% en la calidad de los datos y un aumento del 77,3% en la utilidad de la plataforma.