دوره 8، شماره 4 - ( 11-1400 )
جلد 8 شماره 4 صفحات 28-15 |
برگشت به فهرست نسخه ها
گروه علم اطلاعات و دانش‌شناسی، پردیس بین‌المللی کیش، دانشگاه تهران، تهران، ایران.
چکیده: (845 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.
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
| بازنشر اطلاعات | |
| | این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |