دوره 8، شماره 4 - ( 11-1400 )
جلد 8 شماره 4 صفحات 28-15 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Abolghasemi M, Fahimnia F. Machine Learning and Citizen Science: Opportunities and Challenges of Human-Computer Interaction. Human Information Interaction 2022; 8 (4)
URL: http://hii.khu.ac.ir/article-1-2987-fa.html
URL: http://hii.khu.ac.ir/article-1-2987-fa.html
ابوالقاسمی مریم، فهیم‌نیا فاطمه. یادگیری ماشین و علوم شهروندی؛ فرصتها و چالش‌های تعامل انسان و رایانه. تعامل انسان و اطلاعات. 1400; 8 (4)
گروه علم اطلاعات و دانش‌شناسی، پردیس بین‌المللی کیش، دانشگاه تهران، تهران، ایران.
چکیده: (3250 مشاهده)
هدف: در عصر کلان‌داده، دانشمندان با کار طاقت‌فرسای تحلیل انبوهی از داده‌ها مواجهند و استفاده از تکنیک‌های یادگیری ماشین یکی از راه‌حل‌های احتمالی برای حل این معضل است. علوم شهروندی از حوزه‌هایی است که هوش انسانی و مصنوعی را می‌توان برای تسهیل در این امور به طرق مختلف با هم ترکیب کرد. این مقاله، با توجه به ابهامات موجود در عملکرد ماشین و مدیریت داده‌های تولیدشده توسط کاربر، به توضیح چگونگی سازگاری یادگیری ماشین با ایده‌ی شهروندی فعال و شرایط لازم برای پیشرفت در علوم شهروندی و فراتر از آن می‌پردازد.
روش: این پژوهش به روش مروری و بر اساس مطالعه جامع و نظام‌مند متون مرتبط با یادگیری ماشین، علوم شهروندی و تعامل انسان و رایانه انجام شده است.
یافته‌ها: بسیاری از مشکلات تحقیقاتی از نظر محاسباتی لاینحل به نظر می‌رسند و به مهارت‌های شناختی انسان نیاز دارند. لذا در نتیجه‌ی فعالیت‌های طبقه‌بندی‌ای که اکثراً در پروژه‌های علوم شهروندی با مقیاس بزرگ انجام می‌شود، علاوه بر مشارکت‌کننده که احتمالاً مطالبی درباره‌ی علم می‌آموزد، ماشین نیز با آموختن مطالبی درباره‌ی فعالیت‌های انسان ابتدا از آن تقلید می‌کند و به مرور میزان یادگیری آن افزایش می‌یابد. اما در عین حال گسترش استفاده از هوش مصنوعی و به‌ویژه یادگیری ماشین بحث‌های زیادی درباره‌ی اشکال مختلف ابهامات و سوگیری‌های ناشی از آن‌ها به دنبال داشته است که در پروژه‌های مرتبط نیاز به توجه جدی دارد.
نتیجه‌گیری: استفاده از تکنیک‌های یادگیری ماشین مزایای زیادی دارد، که از آن جمله می‌توان به کاهش زمان طبقه‌بندی و ارزیابی کارشناسانه‌ی تصمیم‌گیری در مجموعه‌های بزرگی از داده اشاره کرد. با این حال، الگوریتم‌ها غالباً به منزله‌ی جعبه‌‌ی سیاهی هستند که سوگیری‌های داده در نگاه اول در آن‌ها قابل مشاهده نیست و توجه به این امر می‌تواند از مخاطرات جدی در روند استفاده ازین تکنیک‌ها بکاهد.
روش: این پژوهش به روش مروری و بر اساس مطالعه جامع و نظام‌مند متون مرتبط با یادگیری ماشین، علوم شهروندی و تعامل انسان و رایانه انجام شده است.
یافته‌ها: بسیاری از مشکلات تحقیقاتی از نظر محاسباتی لاینحل به نظر می‌رسند و به مهارت‌های شناختی انسان نیاز دارند. لذا در نتیجه‌ی فعالیت‌های طبقه‌بندی‌ای که اکثراً در پروژه‌های علوم شهروندی با مقیاس بزرگ انجام می‌شود، علاوه بر مشارکت‌کننده که احتمالاً مطالبی درباره‌ی علم می‌آموزد، ماشین نیز با آموختن مطالبی درباره‌ی فعالیت‌های انسان ابتدا از آن تقلید می‌کند و به مرور میزان یادگیری آن افزایش می‌یابد. اما در عین حال گسترش استفاده از هوش مصنوعی و به‌ویژه یادگیری ماشین بحث‌های زیادی درباره‌ی اشکال مختلف ابهامات و سوگیری‌های ناشی از آن‌ها به دنبال داشته است که در پروژه‌های مرتبط نیاز به توجه جدی دارد.
نتیجه‌گیری: استفاده از تکنیک‌های یادگیری ماشین مزایای زیادی دارد، که از آن جمله می‌توان به کاهش زمان طبقه‌بندی و ارزیابی کارشناسانه‌ی تصمیم‌گیری در مجموعه‌های بزرگی از داده اشاره کرد. با این حال، الگوریتم‌ها غالباً به منزله‌ی جعبه‌‌ی سیاهی هستند که سوگیری‌های داده در نگاه اول در آن‌ها قابل مشاهده نیست و توجه به این امر می‌تواند از مخاطرات جدی در روند استفاده ازین تکنیک‌ها بکاهد.
فهرست منابع
1. Ahumada, J. A., Fegraus, E., Birch, T., Fores, N., Kays, R., O'Brien, T. G., et al. (2020). Wildlife insights: A platform to maximize the potential of camera trap and other passive sensor wildlife data for the planet. Environmental Conservation, 47(1), 1-6. [DOI:10.1017/S0376892919000298]
2. Arute, F., Arya, K., Babbush, R., Bacon, D., Bardin, J. C., Barends, R., et al. (2019). Quantum su-premacy using a programmable superconducting processor. Nature, 574(7779), 505-510. [DOI:10.1038/s41586-019-1666-5] [PMID]
3. Bird, T. J., Bates, A. E., Lefcheck, J. S., Hill, N. A., Thomson, R. J., Edgar, G. J., et al. (2014). Statis-tical solutions for error and bias in global citizen science datasets. Biological Conservation, 173, 144-154. [DOI:10.1016/j.biocon.2013.07.037]
4. Blackwell, A. (2015). Interacting with an inferred world: The challenge of machine learning for hu-mane computer interaction. Aarhus Series on Human Centered Computing, 1(1), 12. [DOI:10.7146/aahcc.v1i1.21197]
5. Bonney, R., Ballard, H., Jordan, R., McCallie, E., Phillips, T., Shirk, J., & Wilderman, C. C. (2009). Public participation in scientific research: Defining the field and assessing its potential for informal science education. A CAISE inquiry group report. Washington, DC: Center for Advancement of Informal Science Education (CAISE).
6. Burrell, J. (2016). How the machine 'thinks': Un-derstanding opacity in machine learning algo-rithms. Big Data & Society, 3(1). [DOI:10.1177/2053951715622512]
7. Ceccaroni, L., Bibby, J., Roger, E., Flemons, P., Michael, K., Fagan, L., & Oliver, J. L. (2019). Opportunities and risks for citizen science in the age of artificial intelligence. Citizen Science: Theory and Practice, 4(1), 29. [DOI:10.5334/cstp.241]
8. Chen, D., & Gomes, C.P. (2018). Bias reduction via end-to-end shift learning: Application to citizen science. [DOI:10.1609/aaai.v33i01.3301493]
9. Dellermann, D., Calma, A., Lipusch, N., Weber, T., Weigel, S., & Ebel, P. (2019). The future of hu-man-AI collaboration: A taxonomy of design knowledge for hybrid intelligence systems. In T. Bui (Ed.), Proceedings of the Hawaii International Conference on System Sciences (HICSS) (pp. 1-10). ScholarSpace/AIS Electronic Library (AISeL). [DOI:10.24251/HICSS.2019.034]
10. Doshi-Velez, F., & Kim, B. (2017). Towards a rig-orous science of interpretable machine learning.
11. Edwards, L., & Veale, M. (2018). Enslaving the algorithm: From a 'right to an explanation' to a 'right to better decisions'? IEEE Security and Pri-vacy, 16(3), 46-54. [DOI:10.1109/MSP.2018.2701152]
12. Floridi, L., & Cowls, J. (2019). A unified framework of five principles for AI in society. Harvard Data Science Review, 1, 1. [DOI:10.1162/99608f92.8cd550d1]
13. Fortson, L., Masters, K., Nichol, R., Borne, K., Edmondson, E., Lintott, C., et al. (2012). Galaxy Zoo: Morphological classification and citizen sci-ence. [DOI:10.1201/b11822-16]
14. Franzen, M. (2019). Changing science-society rela-tions in the digital age: The citizen science movement and its broader implications. In D. Si-mon, S. Kuhlmann, J. Stamm, & W. Canzler (Eds.), Handbook on science and public policy (pp. 336-356). Cheltenham: Edward Elgar. [DOI:10.4337/9781784715946.00028]
15. Gilpin, L. H., Bau, D., Yuan, B. Z., Bajwa, A., Specter, M., & Kagal, L. (2019). Explaining ex-planations: An overview of interpretability of ma-chine learning. In Proceedings - 2018 IEEE 5th international conference on data science and ad-vanced analytics - DSAA 2018 (pp. 80-89).. [DOI:10.1109/DSAA.2018.00018]
16. Guidotti, R., Monreale, A., Ruggieri, S., Turini, F., Giannotti, F., & Pedreschi, D. (2018). A survey of methods for explaining black box models. ACM Computing Surveys, 51(5), Article 93, 1-42. [DOI:10.1145/3236009]
17. Haklay, M. (2013). Citizen science and volunteered geographic information: Overview and typology of participation. In D. Z. Sui, S. Elwood, & M. Goodchild (Eds.), Crowdsourcing geographic knowledge (pp. 105-122). Dordrecht: Springer. [DOI:10.1007/978-94-007-4587-2_7]
18. Jobin, A., Ienca, M., & Vayena, E. (2019). The global landscape of AI ethics guidelines. Nature Machine Intelligence, 1(9), 389-399. [DOI:10.1038/s42256-019-0088-2]
19. Jordan, M. I., & Mitchell, T. M. (2015). Machine learning: Trends, perspectives, and prospects. Science, 349(6245), 255-260. [DOI:10.1126/science.aaa8415] [PMID]
20. Lehejcek, J., Adam, M., Tomasek, P., & Trojan, J. (2019). Informacni system pro spravu fotopasti [National database of photo trap records].
21. Lintott, C., & Reed, J. (2013). Human computation in citizen science. In P. Michelucci (Ed.), Hand-book of human computation (pp. 153-162). New York: Springer. [DOI:10.1007/978-1-4614-8806-4_14]
22. Lukyanenko, R., Wiggins, A., & Rosser, H. K. (2019). Citizen science: An information quality research frontier. Information Systems Frontiers. [DOI:10.1007/s10796-019-09915-z]
23. Mehrabi, N., Morstatter, F., Saxena, N., Lerman, K., & Galstyan, A. (2019). A survey on bias and fairness in machine learning.
24. Michael, M., & Lupton, D. (2015). Toward a mani-festo for the 'public understanding of big data'. Public Understanding of Science, 25, 104-116. [DOI:10.1177/0963662515609005] [PMID]
25. Neal, L. (2013). The 'human sensor'. Bridging between human data and services. In P. Michelucci (Ed.), Handbook of human computa-tion (pp. 581-593). New York: Springer. [DOI:10.1007/978-1-4614-8806-4_45]
26. Poncela-Casasnovas, J., Gutiérrez-Roig, M., Gracia-Lázaro, C., Vicens, J., Gómez-Gardeñes, J., Perelló, J., et al. (2016). Humans display a re-duced set of consistent behavioral phenotypes in dyadic games. Science Advances, 2(8), 1-9. [DOI:10.1126/sciadv.1600451] [PMID] []
27. Popenici, S., & Kerr, S. (2017). Exploring the impact of artificial intelligence on teaching and learning in higher education. Research and Practice in Technology Enhanced Learning, 12(22). [DOI:10.1186/s41039-017-0062-8] [PMID] []
28. Rudin, C. (2019). Stop explaining black box ma-chine learning models for high stakes decisions and use interpretable models instead. Nature Ma-chine Intelligence, 1(5), 206-215. [DOI:10.1038/s42256-019-0048-x] [PMID] []
29. Sathya, R., & Abraham, A. (2013). Comparison of supervised and unsupervised learning algorithms for pattern classification. International Journal of Advanced Research in Artificial Intelligence, 2(2), 34-38. [DOI:10.14569/IJARAI.2013.020206]
30. Sullivan, D. P., Winsnes, C. F., Åkesson, L., Hjelmare, M., Wiking, M., Schutten, R., et al. (2018). Deep learning is combined with massive-scale citizen science to improve large-scale image classification. Nature Biotechnology, 36(9), 820-832. [DOI:10.1038/nbt.4225] [PMID]
31. Swanson, A., Kosmala, M., Lintott, C., & Packer, C. (2016). A generalized approach for producing, quantifying, and validating citizen science data from wildlife images. Conservation Biology, 30 (3), 520-531. [DOI:10.1111/cobi.12695] [PMID] []
32. Torney, C. J., Lloyd-Jones, D. J., Chevallier, M., Moyer, D. C., Maliti, H. T., Mwita, M., et al. (2019). A comparison of deep learning and citizen science techniques for counting wildlife in aerial survey images. Methods in Ecology and Evolu-tion, 10(6), 779-787. [DOI:10.1111/2041-210X.13165]
33. Trojan, J., Schade, S., Lemmens, R., & Frantál, B. (2019). Citizen science as a new approach in ge-ography and beyond: Review and reflections. Moravian Geographical Reports, 27(4), 254-264. [DOI:10.2478/mgr-2019-0020]
34. Vicens, J., Bueno-Guerra, N., Gutiérrez-Roig, M., Gracia-Lázaro, C., Gómez-Gardeñes, J., Perelló, J., et al. (2018). Resource heterogeneity leads to unjust effort distribution in climate change miti-gation. PLoS One, 13(10), 1-17. [DOI:10.1371/journal.pone.0204369] [PMID] []
35. Walmsley, M., Smith, L., Lintott, C., Gal, Y., Bam-ford, S., Dickinson, H., et al. (2019). Galaxy Zoo: Probabilistic morphology through Bayesian CNNs and active learning. Monthly Notices of the Royal Astronomical Society, 491(2), 1554-1574. [DOI:10.1093/mnras/stz2816]
36. Watson, D., & Floridi, L. (2018). Crowdsourced science: Sociotechnical epistemology in the e-research paradigm. Synthese, 195, 741-764. [DOI:10.1007/s11229-016-1238-2]
37. Willi, M., Pitman, R. T., Cardoso, A. W., Locke, C., Swanson, A., Boyer, A., et al. (2019). Identifying animal species in camera trap images using deep learning and citizen science. Methods in Ecology and Evolution, 10(1), 80-91. [DOI:10.1111/2041-210X.13099]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 | این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
