további kommentár
Ez a szakasz célja, hogy kell használni, mint a referencia, ahelyett, hogy kell értelmezni, mint egy elbeszélés.
- Bevezetés (5.1 fejezet)
Tömeges együttműködést ötvözi ötleteket állampolgár tudomány, crowdsourcing, és a kollektív intelligencia. Citizen tudomány általában azt jelenti bevonásával "polgári" (azaz nem tudósok) a tudományos folyamat (Crain, Cooper, and Dickinson 2014) . Crowdsourcing általában azt jelenti, hogy a probléma általában megoldható egy szervezeten belül, és inkább outsourcing, hogy a tömeget (Howe 2009) . Kollektív intelligencia általában azt jelenti, egyének csoportjai közösen eljáró oly módon, hogy úgy tűnik, az intelligens (Malone and Bernstein 2015) . Nielsen (2012) egy csodálatos könyv hosszúságú bevezetés a hatalom tömeges együttműködést a tudományos kutatás.
Sok fajta tömeges együttműködés, amely nem illik bele a három kategória, amit javasolt, és azt hiszem, három különös figyelmet érdemelnek, mivel azok hasznosak lehetnek a társadalmi kutatások egy bizonyos ponton. Egy példa erre Hírpiac, ahol a résztvevők vásárolni és kereskedelmi szerződések, amelyek váltható alapuló eredményeket, amelyek előfordulnak a világban (Wolfers and Zitzewitz 2004; Arrow et al. 2008) . Előrejelzése piacok gyakran használják a cégek és a kormányok az előrejelzés, és előrejelzése piacokon is használják társadalomkutatók megjósolni megismételhetősége publikált tanulmányok a pszichológia (Dreber et al. 2015) .
Egy másik példa, amely nem illeszkedik jól az én kategorizálás rendszer a polihisztor projekt, amelyben a kutatók együtt használva blogok és wikik bizonyítani új matematikai tételeket (Gowers and Nielsen 2009; Cranshaw and Kittur 2011; Nielsen 2012; Kloumann et al. 2016) . A polihisztor projekt bizonyos szempontból hasonlít a Netflix, de a polihisztor projekt résztvevői aktívabban épül részmegoldások mások.
Egy harmadik példa, amely nem illeszkedik jól az én kategorizálás rendszer időfüggő mozgósítás, mint a Defense Advanced Research Projects Agency (DARPA) Network Challenge (azaz a Red Balloon Challenge). További e időérzékeny mobilizáció lásd Pickard et al. (2011) , Tang et al. (2011) , és Rutherford et al. (2013) .
- Emberi számítás (5.2)
Az "emberi számítás" kijön által végzett munka számítógépes szakemberek, és a megértés keretében mögött ez a kutatás javítja a képességét, hogy vegye ki a problémákat, hogy lehet támadható meg. Bizonyos feladatok, számítógépek hihetetlenül erős és képességek messze meghaladja még a szakértői emberre. Például, a sakkban, számítógépek verte még a legjobb nagymesterek. De-és ez kevésbé jól értékelik társadalomtudósok-más feladatokat, a számítógépek valóban sokkal rosszabb, mint az emberek. Más szóval, most akkor jobb, mint akár a legbonyolultabb számítógép bizonyos feladatokkal feldolgozása képek, videó, hang és szöveg. Így-as mutatta be egy csodálatos XKCD rajzfilm vannak olyan feladatok, amelyek könnyen a számítógépek és nehéz az emberek, de vannak feladatok, amelyeket nehéz a számítógépek és a felhasználók egyszerűen (5.13). Számítógépes szakemberek dolgoznak ezeken a nehezen a számítógépek-easy-for-emberi feladatok, ezért rájött, hogy azok magukban az emberek a saját számítási folyamat. Itt van, hogy Luis von Ahn (2005) leírt emberi számítás, amikor először megalkotta a disszertációjában: "paradigma hasznosító emberi feldolgozási teljesítmény, hogy megoldja a problémákat, hogy a számítógépek még nem oldja meg."
Ábra 5.13: Az egyes feladatok számítógépek csodálatos, ami meghaladja a képességét az emberi szakértők. De egyéb feladatokat, a hétköznapi emberek is jobban teljesítenek, még kifinomultabb számítógépek rendszerek. Nagy léptékű problémák érintő feladatok, amelyeket nehéz a számítógépek és a könnyű emberek jól alkalmazható emberi számítás. Használt feltételek szerint az itt leírt: http://xkcd.com/license.html
Ez a definíció FOLDit-, amit részben leírt nyílt felszólítás lehet tekinteni egy emberi számítás projekt. Én azonban úgy dönt, hogy kategorizálni FOLDit mint nyílt felhívást, mert szakértelmet igényel, és úgy a legjobb megoldás hozzájárult, nem pedig az osztott alkalmazni egyesíteni stratégia.
Egy kiváló könyv hosszúságú kezelésére emberi számítás, a legáltalánosabb értelemben vett, lásd Law and Ahn (2011) . 3. fejezete Law and Ahn (2011) egy érdekes beszélgetés a bonyolultabb kombinálni lépéseket, mint azok az ebben a fejezetben.
A "split alkalmazni egyesíteni" használta Wickham (2011) , hogy leírja a stratégia statisztikai számítások, de tökéletesen megragadja a folyamat számos emberi számítás projekteket. Az osztott alkalmazni egyesíteni stratégia hasonlít a MapReduce kidolgozott, a Google (Dean and Ghemawat 2004; Dean and Ghemawat 2008) .
Két okos emberi számítás projektek, hogy nem volt hely, hogy megvitassák az ESP Game (Ahn and Dabbish 2004) és reCAPTCHA (Ahn et al. 2008) . Mindkét projekt talált kreatív módon motiválják a résztvevőket, hogy a címkéket a képeket. Azonban mindkét projektben is felvetett etikai kérdéseket, mert ellentétben a Galaxy Zoo, a résztvevők a ESP játék és reCAPTCHA nem tudja a adatokat használják (Lung 2012; Zittrain 2008) .
Ihlette ESP játék, sok kutató megpróbálta fejleszteni mások "játékok egy cél" (Ahn and Dabbish 2008) (azaz "ember-alapú számítás játékok" (Pe-Than, Goh, and Lee 2015) ), amelyek lehetnek megoldására használják a különböző egyéb problémák. Mik ezek a "játékok egy cél" az a közös, hogy próbálja meg a feladatokat az emberi számítás élvezetes. Így, míg az ESP játék ugyanazok az osztott alkalmazni egyesíteni szerkezet Galaxy Zoo, az különbözik, hogy hogyan résztvevők motiváltak-fun vs. vágy, hogy segítsen a tudomány.
Saját leírása Galaxy Zoo támaszkodik Nielsen (2012) , Adams (2012) , Clery (2011) , és a Hand (2010) , és az én bemutatása a kutatás céljainak Galaxy Zoo egyszerűsíteni. Az inkább a történelem galaxis osztályozás a csillagászat és hogyan Galaxy Zoo folytatja ezt a hagyományt, lásd Masters (2012) és Marshall, Lintott, and Fletcher (2015) . Építve Galaxy Zoo, a kutatók befejezték Galaxy Zoo 2, amely gyűjtött több mint 60 millió bonyolultabb morfológiai osztályozás önkéntesek (Masters et al. 2011) . Továbbá úgy elágazó ki problémákat kívül galaxis morfológia beleértve feltárása a Hold felszínén, keresi a bolygók, és átírni a régi dokumentumokat. Jelenleg minden a projektek gyűjtik www.zooniverse.org (Cox et al. 2015) . Az egyik projekt pillanatkép Serengeti-bizonyítékot szolgáltat arra, hogy a Galaxy Zoo-típusú kép besorolás projektek is el lehet végezni a környezeti kutatások (Swanson et al. 2016) .
A kutatók tervezi, hogy használja a mikro-feladat a munkaerő-piaci (pl Amazon Mechanical Turk) egy emberi számítás projekt Chandler, Paolacci, and Mueller (2013) és Wang, Ipeirotis, and Provost (2015) kínálnak a jó tanácsot feladat tervezés és egyéb kapcsolódó kérdésekről.
Kutatók létrehozása érdekli, amit hívtam második generációs emberi számítás rendszerek (pl használó rendszerek emberi címkéket a vonat egy gépi tanulási modell) is érdekelhet Shamir et al. (2014) (egy példa segítségével audio) és Cheng and Bernstein (2015) . Továbbá, ezek a projektek lehet tenni nyílt felhívások, ahol a kutatók a versenyt létrehozni gépi tanulási modellek a legnagyobb prediktív teljesítményt. Például a Galaxy Zoo csapat futott nyílt felhívást, és találtam egy új megközelítés, amely felülmúlta az egy kidolgozott Banerji et al. (2010) ; lásd Dieleman, Willett, and Dambre (2015) a részletekért.
- Nyitott hívások (5.3)
Nyitott hívások nem új. Sőt, az egyik legismertebb nyílt felhívások nyúlik vissza, 1714, amikor a brit parlament létrehozta a pályadíj, hogy bárki tud fejlődni egy módja annak, hogy meghatározza a hosszúsági egy hajó a tengeren. A probléma kivágott sok a legnagyobb tudósok a nap, beleértve Isaac Newton, és a nyertes megoldás végül által benyújtott, órás vidékről, aki megkereste a problémát másképp tudósok, akik középpontjában egy megoldást, ami valahogy bevonni csillagászat (Sobel 1996) . Amint ez a példa is mutatja, az egyik oka, hogy a nyílt felhívás úgy gondolják, hogy olyan jól működnek, hogy hozzáférést biztosít az emberek különböző perspektívák és készségek (Boudreau and Lakhani 2013) . Lásd Hong and Page (2004) és Page (2008) több az érték a sokszínűség problémamegoldás.
Mind a nyílt felhívás esetekben a fejezetben kell egy kicsit, további magyarázat arra, hogy miért is ebbe a kategóriába tartozik. Először is, az egyik módja, hogy különbséget tesz az emberi számítás és a nyílt felhívás projektek az, hogy a kimenet átlagosan az összes megoldást (emberi számítás), vagy a legjobb megoldást (nyílt felhívás). A Netflix kissé trükkös ebben a tekintetben, mert a legjobb megoldás kiderült, hogy egy kifinomult átlagos egyedi megoldások, a megközelítésmód nevű együttest megoldás (Bell, Koren, and Volinsky 2010; Feuerverger, He, and Khatri 2012) . Szemszögéből a Netflix, de minden amit kellett tennem, hogy vegye a legjobb megoldás.
Másodszor, néhány meghatározása az emberi számítás (pl Von Ahn (2005) ), FOLDit kell tekinteni az emberi számítás projekt. Én azonban úgy dönt, hogy kategorizálni FOLDit mint nyílt felhívást, mert szakértelmet igényel, és úgy a legjobb megoldás hozzájárult, ahelyett hogy egy split alkalmazni egyesíteni stratégia.
Végül, azt mondhatjuk, hogy Peer-to-Patent egy példa elosztott adatgyűjtés. Azt dönt, hogy azt nyílt felhívást, mert van egy verseny-szerű szerkezet, és csak a legjobb járulékok használják (mivel elosztott adatgyűjtő, az ötlet jó és rossz járulékok kevésbé egyértelmű).
Az inkább a Netflix, lásd Bennett and Lanning (2007) , Thompson (2008) , Bell, Koren, and Volinsky (2010) , és Feuerverger, He, and Khatri (2012) . Ha többet FOLDit lásd Cooper et al. (2010) , Andersen et al. (2012) , és Khatib et al. (2011) ; én leírását FOLDit támaszkodik leírások Nielsen (2012) , Bohannon (2009) , és a Hand (2010) . Az inkább a Peer-to-Szabadalmi lásd Noveck (2006) , Bestor and Hamp (2010) , Ledford (2007) , és Noveck (2009) .
Hasonló az eredményeket a Glaeser et al. (2016) , Mayer-Schönberger and Cukier (2013) , 10. fejezet jelentések nagy nyereséget a termelékenység ház ellenőrök, New York City, amennyiben az ellenőrzéseket vezérlik prediktív modellek. A New York City, ezek prediktív modelleket építettek városi alkalmazottak, de más esetekben elképzelhető, hogy létre lehetne hozni vagy javított nyílt felhívások (pl Glaeser et al. (2016) ). Azonban az egyik legaggasztóbb prediktív modellek használják a forrásokat, hogy a modellek képesek megerősíteni a meglévő előítéleteket. Sok kutató már tudja, "szemét be, szemét ki", és prediktív modelleket lehet "elfogultság, torzítás ki." Lásd Barocas and Selbst (2016) és O'Neil (2016) további veszélyeiről szóló prediktív modellek beépített elfogult képzési adatokat.
Az egyik probléma, amelyek megakadályozzák kormányok nyílt versenyek az, hogy szükséges adatok kiadása, ami a magánélet megsértése. Ha többet szeretne megtudni a magánélet és az adatok kiadása nyílt felhívások lásd Narayanan, Huey, and Felten (2016) és a vita a 6. fejezetben.
- Elosztott adatgyűjtés (5.4)
Saját leírása eBird támaszkodik leírások Bhattacharjee (2005) és Robbins (2013) . További információért a kutatók hogyan használja statisztikai modelleket elemezni eBird adatokat lásd Hurlbert and Liang (2012) és Fink et al. (2010) . Az inkább a történelem állampolgár tudomány ornothology lásd Greenwood (2007) .
Az inkább a Malawi folyóiratok Project lásd Watkins and Swidler (2009) és Kaler, Watkins, and Angotti (2015) . És inkább a kapcsolódó projekt Dél-Afrikában, lásd Angotti and Sennott (2015) . További példa a kutatási adatok felhasználásával a Malawi folyóiratok Project lásd Kaler (2004) és Angotti et al. (2014) .
- Tervezzen saját (5.5 szakasz)
Saját megközelítés egy design tanácsadás volt induktív, példák alapján a sikeres és a sikertelen tömeges együttműködést projektek Hallottam. Van is egy patak kutatás megpróbálja alkalmazni általánosabb szociálpszichológiai elméletek tervezése online közösségek, amely releváns a design tömeg együttműködési projektek, lásd például Kraut et al. (2012) .
Ami motiváló résztvevőket, hogy valójában igen bonyolult kitalálni, hogy pontosan miért ember vesz részt a tömeges együttműködési projektek (Nov, Arazy, and Anderson 2011; Cooper et al. 2010, Raddick et al. (2013) ; Tuite et al. 2011; Preist, Massung, and Coyle 2014) . Ha azt tervezi, hogy motiválják a résztvevőket a fizetés egy mikro-feladat a munkaerő-piaci (pl Amazon Mechanical Turk) Kittur et al. (2013) kínál néhány tanácsot.
Ami lehetővé teszi meglepetés, több példát váratlan felfedezések jön ki Zoouniverse projektek lásd Marshall, Lintott, and Fletcher (2015) .
Ami az etikus, jó általános bevezetők az érintett témák Gilbert (2015) , Salehi et al. (2015) , Schmidt (2013) , Williamson (2016) , Resnik, Elliott, and Miller (2015) , és Zittrain (2008) . Az olyan esetekben, konkrétan érintő jogi kérdések tömeg alkalmazottak, lásd Felstiner (2011) . O'Connor (2013) foglalkozik kérdések etikai felügyelet kutatás, amikor a szerepek a kutatók és a résztvevők elmosódnak. Kapcsolatos problémák esetében az adatok megosztását, miközben védi participats az állampolgár tudományos projektek, lásd Bowser et al. (2014) . Mindkét Purdam (2014) és Windt and Humphreys (2016) van némi vita arról, etikai kérdésekről elosztott adatgyűjtő. Végül, a legtöbb projekt elismerik járulékok, de nem adnak hitelt szerzőség a résztvevőknek. Ebben Foldit a Foldit játékosok gyakran szerepel szerzőként (Cooper et al. 2010; Khatib et al. 2011) . Más nyílt felhívás projektek, a nyertes hozzájárul gyakran írni egy papírt leírására oldatok (például Bell, Koren, and Volinsky (2010) és Dieleman, Willett, and Dambre (2015) ). A Galaxy Zoo család projektek rendkívül aktív és fontos közreműködője néha meghívott, hogy társszerzői papíron. Például, Ivan Terentev és Tim Matorny, két rádió Galaxy Zoo résztvevők Oroszországból, voltak társszerzői az egyik a papírokat, amelyek abból származnak, hogy a projekt (Banfield et al. 2016; Galaxy Zoo 2016) .
