یادگیری ماشین و علوم شهروندی؛ فرصتها و چالش‌های تعامل انسان و رایانه

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.

Machine Learning and Citizen Science: Opportunities and Challenges of Human-Computer Interaction

Background and Aim: In processing large data, scientists have to perform the tedious task of analyzing hefty bulk of data. Machine learning techniques are a potential solution to this problem. In citizen science, human and artificial intelligence may be unified to facilitate this effort. Considering the ambiguities in machine performance and management of usergenerated data, this paper aims to explain how machine learning can be combined with the active citizenship concept. In addition, it discusses the necessary conditions for advancing the citizen science and beyond.Method: The review method and comprehensive systematic study was applied to assess the concept of machine learning, citizen science and humancomputer interaction.Results: Many research problems seem to be computationally insolvable and may demand human cognitive skills. Therefore, due to classification activities which are performed in the majority of largescale citizenship science projects, in addition to participants who may learn lessons about the science, machines also learn lessons about human and imitate him and slowly its learning capacity enhances over time. Artificial intelligence, particularly machine learning is a debatable topic with related ambiguities and biases which should strongly take into consideration. Conclusion: The application of machine learning techniques carries many advantages including classification time cut and masterful evaluations in the process of making decisions on big data sets. However, algorithms usually act as a black box where data biases are not observable at first glance. Taking this problem into consideration may mitigate serious risks arising from the application of such techniques.