5.2.3 Slutsats
Mänsklig beräkning gör att du får tusen forskarassistenter.
Mänskliga beräknings projekt kombinera arbetet av många icke-experter att lösa lätt uppgift-big-skala problem som inte är lätt lösas genom datorer. De använder delad apply-kombinera strategi för att bryta ett stort problem i många enkla mikro uppgifter som kan lösas av människor utan specialkunskaper. Andra generationens mänskliga beräkningssystem använder också maskininlärning för att förstärka mänskliga ansträngningar.
I social forskning, mänskliga beräknings projekt är mest sannolikt kommer att användas i situationer där forskare vill klassificera, kod eller etikettbilder, video, eller texter. Dessa klassificeringar är inte ett mål; de är råmaterial för forskning. Till exempel, kan publiken-kodning av politiska manifest användas för att testa teorier om dynamiken i uppmärksamhet mot migration.
För att ytterligare bygga din intuition, Tabell 5.1 ger ytterligare exempel på hur mänsklig beräkning har använts i samhällsforskningen. Denna tabell visar att, till skillnad från Galaxy Zoo, många andra humana beräknings projekt använder arbetsmarknader mikro uppgift (t.ex. Amazon Mechanical Turk). Jag ska återkomma till frågan om deltagare motivation när jag ger råd om hur du skapar din egen massa samarbetsprojekt.
| Sammanfattning | Data | Deltagare | Citat |
|---|---|---|---|
| kodande parti manifest | text | arbetsmarknad mikro uppgift | Benoit et al. (2015) |
| extrahera händelseinformation från nyhetsartiklar om Occupy Protester i 200 städer i USA | text | arbetsmarknad mikro uppgift | Adams (2014) |
| klassificering av tidningsartiklar | text | arbetsmarknad mikro uppgift | Budak, Goel, and Rao (2016) |
| extrahera händelseinformation från dagböcker av soldater i första världskriget en | text | volontärer | Grayson (2016) |
| upptäcka förändringar i kartor | bilder | arbetsmarknad mikro uppgift | Soeller et al. (2016) |
Slutligen, exemplen i detta avsnitt visar att mänsklig beräkning kan ha en demokratiserande inverkan på vetenskap. Minns att Schawinski och Lintott var doktorander när de började Galaxy Zoo. Före den digitala tidsåldern, att ett projekt klassificera en miljon galax klassificering skulle ha krävt så mycket tid och pengar som det skulle ha bara varit praktiskt för välfinansierade och patient professorer. Det är inte längre sant. Mänskliga beräknings projekt kombinera arbetet av många icke-experter att lösa lätt uppgift-big-skala problem. Nu ska jag visa er att mass samarbete även kan tillämpas på problem som kräver kompetens, kompetens att även forskaren själv inte kan ha.
