plua komento

Tiu sekcio estas dizajnita por esti utiligita kiel referenco, prefere ol esti legita kiel rakonto.

• Enkonduko (Sekcio 5.1)

Maso kunlaborado miksas ideojn de civitana scienco, crowdsourcing kaj kolektiva inteligenteco. Civitana scienco kutime signifas engaĝante "civitanoj" (te, ne-sciencaj) en la scienca procezo (Crain, Cooper, and Dickinson 2014) . Crowdsourcing kutime signifas prenante problemo kutime solvita ene de organizo kaj anstataŭe subkontraktado al amaso (Howe 2009) . Kolektiva inteligenteco kutime signifas grupoj de individuoj agas kolektive en manieroj kiuj ŝajnas inteligenta (Malone and Bernstein 2015) . Nielsen (2012) estas mirinda libro-longa enkonduko al la potenco de maso kunlaborado por sciencaj esploroj.

Estas multaj tipoj de maso kunlaborado kiu ne persvadas bele en la tri kategorioj kiujn mi proponis, kaj mi opinias tri meritas specialan atenton ĉar ili povus esti utilaj en sociaj esploroj en iu momento. Unu ekzemplo estas antaŭdiro merkatoj, kie partoprenantoj aĉetas kaj komerci kontraktoj kiuj redeemable bazita sur rezultoj kiuj okazas en la mondo (Wolfers and Zitzewitz 2004; Arrow et al. 2008) . Antaŭdirante merkatoj estas ofte uzita de firmaoj kaj registaroj por antaŭvidi kaj antaŭdirante merkatoj ankaŭ estis uzita de sociaj esploristoj antaŭdiri la replicability de eldonitaj studoj en psikologio (Dreber et al. 2015) .

Dua ekzemplo kiu ne persvadas bone en mian categorización skemo estas la polihistoro projekto, kie esploristoj kunlaboris uzante blogs kaj wikis pruvi novajn math teoremoj (Gowers and Nielsen 2009; Cranshaw and Kittur 2011; Nielsen 2012; Kloumann et al. 2016) . La polihistoro projekto estas kelkmaniere simila al la Netflix Premio, sed en la polihistoro projekto partoprenantoj pli aktive konstruita sur la partaj solvaĵoj de aliaj.

Tria ekzemplo kiu ne persvadas bone en mian categorización skemo estas temp-dependa mobilizoj kiel la Defendo Advanced Research Projects Agency (DARPA) Reto Defio (te, la Ruĝa Balono Challenge). Por pli sur ĉi tiuj tempo sentema mobilizoj vidi Pickard et al. (2011) , Tang et al. (2011) , kaj Rutherford et al. (2013) .

• Homaj kalkulado (Sekcio 5.2)

La termino "homa kalkulado" venas el laboro farita de komputilo sciencistoj, kaj kompreni la kuntekston malantaŭ tiu esploro plibonigos vian kapablon elekti el problemoj kiuj povus esti cedema al ĝi. Por certaj taskoj, komputiloj estas nekredeble potenca kun kapabloj multe superas eĉ sperta homoj. Ekzemple, en ŝako, komputiloj povas venki eĉ la plej grandioza mastroj. Sed-kaj tio estas malpli bone estimitaj por sociaj sciencistoj-por aliaj taskoj, komputiloj estas vere multe pli malbona ol la homo. Alivorte, nun vi estas pli bona ol eĉ la plej kompleksa komputilo ĉe certaj taskoj engaĝante pretigo de bildoj, filmetoj, sondosieroj, kaj teksto. Tiel-kiel estis ilustrita de mirinda XKCD karikaturo-estas taskoj kiuj estas facilaj por komputiloj kaj malfacila por homoj, sed ekzistas ankaŭ taskoj kiuj estas malfacile por komputiloj kaj facila por homoj (Figuro 5.13). Komputilo sciencistoj laboranta sur tiuj malmolaj-por-komputiloj-facila-al-homaj taskoj do rimarkis ke ili povus inkluzivi homojn en ilia komputa procezo. Jen kiel Ludoviko von Ahn (2005) priskribis homan komputadon kiam li unue elpensis la esprimon en sia disertacio: «paradigmo por utiligado homa prilaborado potenco por solvi problemojn kiuj komputiloj ankoraŭ ne povas solvi."

Figuro 5.13: Por iuj taskoj komputiloj estas mirinda, superante la kapablon de homa spertuloj. Sed, por aliaj taskoj, ordinaraj homoj povas outperform eĉ kompleksaj komputiloj sistemoj. Grandskalaj problemoj kiuj implikas taskojn kiuj estas malfacile por komputiloj kaj facila por homoj estas bone konvenita por homa kalkulado. Uzita laŭ la kondiĉoj priskribitaj tie: http://xkcd.com/license.html

De tiu difino FoldIt-kiun mi priskribis en la sekcio sur malferma alvokoj-povus konsideri homan komputadon projekto. Tamen, mi elektas kategoriigi FoldIt kiel malferma alvoko ĉar ĝi postulas specialigitaj kapabloj kaj ĝi prenas la plej bona solvo kontribuis anstataŭ uzi disigo-apliki-kombini strategion.

Por bonega libro longo traktado de homaj kalkulado, en la plej ĝenerala senco de la termino, vidu Law and Ahn (2011) . Ĉapitro 3 de Law and Ahn (2011) havas interesan diskuton pri pli kompleksaj kombini paŝoj ol tiuj en tiu ĉapitro.

La termino "disigo-apliki-kombini" estis uzita de Wickham (2011) por priskribi strategio por statistika komputiko, sed perfekte kaptas la procezon de multaj homaj kalkulado projektoj. La disdivido apliki-kombini strategio estas simila al la MapReduce kadro evoluigita ĉe Google (Dean and Ghemawat 2004; Dean and Ghemawat 2008) .

Du saĝaj homoj kalkulado projektoj kiujn mi ne havis spacon por diskuti estas la ESP Game (Ahn and Dabbish 2004) kaj reCAPTCHA (Ahn et al. 2008) . Ambaŭ projektoj troviĝas krea manieroj instigi partoprenantoj provizi etiketojn sur bildoj. Tamen, ambaŭ de tiuj projektoj ankaŭ levis etikaj demandoj ĉar, kontraste Galaxy Zoo, partoprenantoj en la ESP Game kaj reCAPTCHA ne sciis kiel ilia datumo estis uzita (Lung 2012; Zittrain 2008) .

Inspirita de la Esp Ludo, multaj esploristoj provis disvolvi aliajn "ludoj kun celo" (Ahn and Dabbish 2008) (te "homo-bazita kalkulado ludoj" (Pe-Than, Goh, and Lee 2015) ) kiu povas esti uzata por solvi diversajn aliajn problemojn. Kio tiuj "ludoj kun celo" havas komune estas ke ili provas fari la taskojn implikitaj en homa kalkulado ĝuebla. Tiel, dum la Esp Game dividas la saman disig-apliki-kombini strukturo kun Galaxy Zoo, ĝi malsamas en kiel partoprenantoj estas motivitaj-amuzo vs. deziro helpi sciencon.

Mia priskribo de Galaxy Zoo tiras sur Nielsen (2012) , Adams (2012) , Clery (2011) kaj Hand (2010) , kaj mia prezento de la esploro celoj de Galaxy Zoo estis simpligita. Por pli sur la historio de galaksio klasifiko en astronomio kaj kiel Galaxy Zoo daŭrigas tiun tradicion, vidu Masters (2012) kaj Marshall, Lintott, and Fletcher (2015) . Konstruaĵo sur Galaxy Zoo, la esploristoj finis Galaxy Zoo 2 kiu kolektis pli ol 60 milionoj pli kompleksa morfologiaj klasifikoj de volontuloj (Masters et al. 2011) . Plui, ili disbranĉigis eksteren en problemoj ekstere de galaksio morfologio inkluzive esplori la surfacon de la luno, serĉanta planedojn kaj transskribi malnovaj dokumentoj. Nuntempe, ĉiuj liaj projektoj estas kolektitaj ĉe www.zooniverse.org (Cox et al. 2015) . Unu el la projektoj-neoficiala Serengeti-disponigas indicon ke Galaxy Zoo-tipo bildo klasado projektoj povas ankaŭ esti farita por media esploro (Swanson et al. 2016) .

Por esploristoj planas uzi micro-tasko labormerkato (ekz, Amazon Mechanical Turk) por homa kalkulada projekto, Chandler, Paolacci, and Mueller (2013) kaj Wang, Ipeirotis, and Provost (2015) proponas bonan konsilon sur tasko dezajno kaj aliaj rilataj temoj.

Esploristoj interesitaj en krei kion mi nomis dua generacio homaj kalkulado sistemoj (ekz, sistemoj kiuj uzas homan etiketoj trejni maŝinon lerna modelo) povus interesi en Shamir et al. (2014) (por ekzemplo uzante audio) kaj Cheng and Bernstein (2015) . Ankaŭ, tiuj projektoj povas esti farita per malferma alvokoj, per esploristoj konkurenci krei maŝinon lernado modeloj kun la plej prognozaj agado. Ekzemple, la Galaxy Zoo teamo kuris malfermita alvoko kaj trovis novan aliron kiu superis la evoluinta en Banerji et al. (2010) ; vidu Dieleman, Willett, and Dambre (2015) por detaloj.

• Malferma alvokoj (Sekcio 5.3)

Malferma alvokoj ne estas novaj. Fakte, unu el la plej konataj malferma alvokoj datiĝas 1714 kiam la brita parlamento kreis La Longitudo Premio por iu ajn kiu povis disvolvi metodon por determini la longitudon de ŝipo sur maro. La problemo trompus multaj de la plej grandaj scienculoj de la vivo, inkluzive Isaac Newton, kaj la gajnado solvo estis fine submetitaj fare horloĝisto el la kamparo, kiu alproksimiĝis la problemon alimaniere de sciencistoj kiuj temigis solvon kiu iel engaĝi astronomio (Sobel 1996) . Kiel tiu ekzemplo ilustras, unu kialo ke malferma alvokoj supozeble laboras tiel bone estas ke ili disponigas aliron al personoj kun malsamaj vidpunktoj kaj kapabloj (Boudreau and Lakhani 2013) . Vidu Hong and Page (2004) kaj Page (2008) por pli sur la valoro de diverseco en solvi problemojn.

Ĉiu de la malferma alvoko kazoj en la ĉapitro postulas iom de plia klarigo por kial ĝi apartenas en tiun kategorion. Unue, unu vojo ke mi distingi inter homaj kalkulado kaj malfermita alvoko projektoj estas se la eligo estas mezumo de ĉiuj solvoj (homa kalkulado) aŭ la plej bona solvo (malfermita alvoko). La Netflix Premio estas iom malfacila tiurilate ĉar la plej bona solvo rezultis esti kompleksa mezumo de individuaj solvoj, oni alproksimigis nomita ensemblo solvo (Bell, Koren, and Volinsky 2010; Feuerverger, He, and Khatri 2012) . De la perspektivo de Netflix, tamen ĉiuj ili devis fari estis elekti la plej bonan solvon.

Dua, de iuj difinoj de homaj kalkulado (ekz Von Ahn (2005) ), FoldIt devus konsideri homan komputadon projekto. Tamen, mi elektas kategoriigi FoldIt kiel malferma alvoko ĉar ĝi postulas specialigitaj kapabloj kaj ĝi prenas la plej bona solvo kontribuis, prefere ol uzado escisión-apliki-kombini strategion.

Fine, oni povus argumenti ke Peer-to-Patento estas ekzemplo de distribuita datenkolektado. Mi elektas por inkludi ĝin kiel malferman alvokon ĉar ĝi havas konkurso-simila strukturo kaj nur la plej bonaj kontribuoj estas uzataj (dum kun distribuita datenkolektado, la ideon pri bono kaj malbono kontribuoj estas malpli klara).

Por pli sur la Netflix Premio, vidas Bennett and Lanning (2007) , Thompson (2008) , Bell, Koren, and Volinsky (2010) , kaj Feuerverger, He, and Khatri (2012) . Por pli sur FoldIt vidos, Cooper et al. (2010) , Andersen et al. (2012) , kaj Khatib et al. (2011) ; mia priskribo de FoldIt tiras sur priskriboj en Nielsen (2012) , Bohannon (2009) , kaj Hand (2010) . Por pli sur Peer-to-Patento, vidu Noveck (2006) , Bestor and Hamp (2010) , Ledford (2007) , kaj Noveck (2009) .

Simila al la rezultoj de Glaeser et al. (2016) , Mayer-Schönberger and Cukier (2013) , ĉapitro 10 raportoj grandajn gajnojn en la productividad de loĝigo inspektistoj en Novjorko kiam inspektoj estas gvidita de prognozaj modeloj. En Novjorko, tiuj modeloj predictivos estis konstruita de urbo dungitoj, sed en aliaj kazoj, oni povas imagi ke povus esti kreitaj aŭ plibonigitaj kun malferma alvokoj (ekz Glaeser et al. (2016) ). Tamen, unu grava maltrankvilo kun modeloj predictivos uzitaj al atribui rimedoj estas ke la modeloj havas la potencialon plifortigi ekzistantajn antaŭjuĝojn. Multaj esploristoj jam scias "rubo en, rubo eksteren", kaj kun modeloj predictivos eblu "emo je, emo eliri." Vidu Barocas and Selbst (2016) kaj O'Neil (2016) por pli sur la danĝeroj de prognozaj modeloj konstruitaj kun deklivaj trejnado datumoj.

Unu problemo kiu povus malhelpi registarojn de uzanta malferman konkursoj estas kiu postulas datumojn ĵeto, kiu povus konduki al privateco seksperfortadoj. Por pli pri privateco kaj datumoj liberigo en malferma alvokoj vidi Narayanan, Huey, and Felten (2016) kaj la diskuto en Ĉapitro 6.

• Distribuita datenkolektado (Sekcio 5.4)

Mia priskribo de eBird tiras sur priskriboj en Bhattacharjee (2005) kaj Robbins (2013) . Por pli pri kiel esploristoj utiligas statistikan modeloj analizi eBird datumoj vidi Hurlbert and Liang (2012) kaj Fink et al. (2010) . Por pli sur la historio de civitana scienco en ornothology, vidas Greenwood (2007) .

Por pli sur la Malavio Journals Project, vidu Watkins and Swidler (2009) kaj Kaler, Watkins, and Angotti (2015) . Kaj por pli sur rilatajn projekto en Sudafriko, vidu Angotti and Sennott (2015) . Por pli ekzemploj de esploro uzante datumoj de la Malavia Journals Project vidi Kaler (2004) kaj Angotti et al. (2014) .

• Desegni vian propran (Sekcio 5.5)

Mia alproksimiĝo al proponante dezajno konsilo estis indukta, bazita sur la ekzemplojn de sukcesa kaj malsukcesa maso kunlaborado projektoj kiujn mi aŭdis pri. Ekzistas ankaŭ rivereto de esploro provas apliki pli ĝenerala socia psikologiaj teorioj al dizajnado retkomunumoj kiu estas rilata al la dezajno de maso kunlaborado projektoj, vidu, ekzemple, Kraut et al. (2012) .

Koncerne motiviganta partoprenantoj, ĝi estas fakte tre malfacila eltrovi ĝuste kial homoj partoprenas en maso kunlaborado projektoj (Nov, Arazy, and Anderson 2011; Cooper et al. 2010, Raddick et al. (2013) ; Tuite et al. 2011; Preist, Massung, and Coyle 2014) . Se vi planas instigi partoprenantoj kun pago sur micro-tasko labormerkato (ekz, Amazon Mechanical Turk) Kittur et al. (2013) proponas iujn konsilojn.

Koncerne ebligante surprizo, por pli ekzemploj de neatenditaj malkovroj venis el Zoouniverse projektoj, vidu Marshall, Lintott, and Fletcher (2015) .

Koncerne esti etika, iuj bonaj ĝeneralaj enkondukoj al la temoj implikitaj estas Gilbert (2015) , Salehi et al. (2015) , Schmidt (2013) , Williamson (2016) , Resnik, Elliott, and Miller (2015) , kaj Zittrain (2008) . Por temoj specife rilatita al laŭleĝaj temoj kun amaso oficistoj, vidi Felstiner (2011) . O'Connor (2013) traktas demandojn pri etika komision esploro kiam la roloj de esploristoj kaj partoprenantoj malklarigi. Por demandoj rilataj al dividi datumojn dum protektado participats en civitanan sciencon projektoj, vidu Bowser et al. (2014) . Ambaŭ Purdam (2014) kaj Windt and Humphreys (2016) havas iom diskuton pri la etikaj aferoj en distribuita datenkolektado. Fine, plej projektoj agnoski kontribuojn sed ne donas aŭtorecon krediton al partoprenantoj. En Foldit, la Foldit ludantoj ofte listita kiel aŭtoro (Cooper et al. 2010; Khatib et al. 2011) . En aliaj malfermaj alvoko projektoj, la venka kontribuanto povas ofte skribi papero priskribanta iliajn solvojn (ekz, Bell, Koren, and Volinsky (2010) kaj Dieleman, Willett, and Dambre (2015) ). En la Galaxy Zoo familio de projektoj, ege aktiva kaj grava kontribuantoj foje invitis esti kunaŭtoroj sur paperoj. Ekzemple, Ivan Terentev kaj Tim Matorny, du Radio Galaxy Zoo partoprenantoj el Rusio, estis co-aŭtoroj de unu el la paperoj kiuj ŝprucis de tiu projekto (Banfield et al. 2016; Galaxy Zoo 2016) .