5.2.3 Konklusion
Menneskelig beregning gør det muligt at have en tusind forskningsassistenter.
Humane beregningsmetoder projekter kombinere arbejde mange ikke-eksperter til at løse let opgave-big-skala problemer, der ikke let løses af computere. De bruger split-anvende-kombinere strategi for at bryde et stort problem i mange simple mikro-opgaver, der kan løses af mennesker uden specialiserede kompetencer. Anden generation menneskelige beregnings systemer bruger også maskine læring for at forstærke den menneskelige indsats.
I social forskning, er mest sandsynligt at blive brugt i situationer, hvor forskere ønsker at klassificere, kode eller etiket billeder, video eller tekster menneskelige beregningsmetoder projekter. Disse klassifikationer er ikke et mål; de er de råmaterialer til forskning. For eksempel kunne det crowd-kodning af politiske manifester skal bruges til at teste teorier om dynamik opmærksomhed mod migration.
For yderligere at opbygge din intuition, Tabel 5.1 giver yderligere eksempler på, hvordan menneskelig beregning er blevet brugt i social forskning. Denne tabel viser, at i modsætning Galaxy Zoo, mange andre menneskelige beregnings projekter anvender mikro-task arbejdsmarkeder (f.eks Amazon Mechanical Turk). Jeg vil vende tilbage til dette spørgsmål på deltager motivation, når jeg rådgiver om at skabe din egen masse samarbejdsprojekt.
| Oversigt | data | Deltagere | Citation |
|---|---|---|---|
| kodning partiprogrammer | tekst | mikro-opgave arbejdsmarked | Benoit et al. (2015) |
| udtrække oplysninger begivenhed fra nyhedsartikler om Occupy Protester i 200 amerikanske byer | tekst | mikro-opgave arbejdsmarked | Adams (2014) |
| klassifikation af avisartikler | tekst | mikro-opgave arbejdsmarked | Budak, Goel, and Rao (2016) |
| udtrække oplysninger begivenhed fra dagbøger af soldater i 1. Verdenskrig | tekst | frivillige | Grayson (2016) |
| påvise ændringer i kort | billeder | mikro-opgave arbejdsmarked | Soeller et al. (2016) |
Endelig eksemplerne i dette afsnit viser, at den menneskelige beregning kan have en demokratiserende effekt på videnskab. Husk, at Schawinski og Lintott var studerende, da de begyndte Galaxy Zoo. Forud for den digitale tidsalder, at et projekt klassificere en million galakse klassifikation ville have krævet så meget tid og penge at det ville have kun været praktisk for godt finansieret og patient professorer. Det er ikke længere tilfældet. Humane beregningsmetoder projekter kombinere arbejde mange ikke-eksperter til at løse let opgave-big-skala problemer. Dernæst vil jeg vise dig, at masse samarbejde også kan anvendes på problemer, der kræver ekspertise, ekspertise, som selv forskeren selv ikke måtte have.
