تفسیر بیشتر

این بخش طراحی شده است به عنوان یک مرجع استفاده می شود، به جای به عنوان یک روایت خوانده شود.

  • مقدمه (بخش 5.1)

همکاری جمعی آمیزد ایده از علم شهروند، وردپرس، و هوش جمعی. علوم شهروندی معمولا به معنای درگیر "شهروندان" (یعنی غیر دانشمندان) در فرایند علمی (Crain, Cooper, and Dickinson 2014) . داناترین معمولا به معنی گرفتن یک مشکل معمولا در یک سازمان حل و به جای برون سپاری آن را به یک جمعیت (Howe 2009) . هوش جمعی معمولا به معنای گروهی از افراد اقدام جمعی در راه است که به نظر می رسد هوشمند (Malone and Bernstein 2015) . Nielsen (2012) مقدمه کتاب طول فوق العاده به قدرت همکاری جمعی برای تحقیقات علمی است.

انواع مختلفی از همکاری جمعی که به سه دسته هایی که پیشنهاد، قرار نمی گیرند وجود دارد، و من فکر می کنم سه سزاوار توجه ویژه زیرا ممکن است در تحقیقات اجتماعی در برخی از نقطه مفید است. یکی از نمونه های بازار پیش بینی، که در آن شرکت کنندگان خرید و قرارداد های تجاری که در اوردن از گرو در نتایج که در جهان رخ می دهد بر اساس است (Wolfers and Zitzewitz 2004; Arrow et al. 2008) . بازارهای پیش بینی اغلب توسط شرکت ها و دولت برای پیش بینی استفاده می شود، و بازارهای پیش بینی نیز توسط محققان اجتماعی برای پیش بینی تکرار از مطالعات منتشر شده در روانشناسی مورد استفاده (Dreber et al. 2015) .

مثال دوم کند که به خوبی به طرح طبقه بندی من مناسب نیست پروژه دانشمند، که در آن محققان با استفاده از بلاگ ها و ویکی برای اثبات قضیههای ریاضی جدید همکاری است (Gowers and Nielsen 2009; Cranshaw and Kittur 2011; Nielsen 2012; Kloumann et al. 2016) . این پروژه دانشمند در برخی از روش شبیه به جایزه Netflix بکشد، اما در شرکت کنندگان در پروژه دانشمند فعال تر در راه حل های جزئی دیگران ساخته شده است.

به عنوان مثال سوم کند که به خوبی به طرح طبقه بندی من مناسب نیست بسیج وابسته به زمان مانند آژانس پروژه های تحقیقات پیشرفته دفاعی (DARPA) چالش شبکه (به عنوان مثال، چالش بادکنک قرمز) است. برای اطلاعات بیشتر در این زمان بسیج حساس را ببینید Pickard et al. (2011) ، Tang et al. (2011) ، و Rutherford et al. (2013) .

  • محاسبات انسانی (بخش 5.2)

اصطلاح "محاسبات انسانی" از کار انجام شده توسط دانشمندان کامپیوتر می آید، و درک زمینه پشت این تحقیق توانایی خود را برای انتخاب کردن مشکلاتی که ممکن است متمایل به آن را بهبود بخشد. برای انجام وظایف خاص، کامپیوتر فوق العاده قدرتمند با قابلیت های به مراتب بیش از انسان حتی متخصص می باشد. برای مثال، در شطرنج، کامپیوتر حتی می توانید ضرب و شتم بهترین استادان بزرگ. اما، و این است که کمتر به خوبی توسط اجتماعی قدردانی دانشمندان برای کارهای دیگر، کامپیوترها در حال بسیار بدتر از مردم است. به عبارت دیگر، در حال حاضر شما بهتر از حتی کامپیوتر پیچیده ترین در انجام وظایف خاص که شامل پردازش تصاویر، ویدئو، صدا و متن می باشد. بنابراین، به عنوان یک XKCD فوق العاده نشان داده شد کارتون وجود دارد وظایف است که بسیار آسان برای رایانه و سخت را برای مردم، بلکه کارهایی است که سخت برای کامپیوتر و آسان برای مردم هستند. (شکل 5.13) وجود دارد. دانشمندان کامپیوتر کار بر روی این سخت برای کامپیوتر آسان برای انسان وظایف، بنابراین، متوجه شدم که آنها می تواند انسان را در روند محاسبات خود را شامل. در اینجا چگونه لوئیس فون آخن (2005) محاسبات انسانی توصیف زمانی که او برای اولین بار از این اصطلاح در پایان نامه خود را ابداع: "یک الگوی برای استفاده از قدرت پردازش انسان برای حل مشکلاتی که کامپیوتر هنوز نمی تواند حل کند"

شکل 5.13: برای برخی از وظایف کامپیوتر شگفت انگیز است، بیش از توانایی کارشناسان انسان است. اما، برای کارهای دیگر، انسان های عادی می تواند سیستم کامپیوتر حتی پیچیده بهتر است. مشکلات در مقیاس بزرگ که شامل کارهایی است که سخت برای رایانه و آسان برای انسان هستند به خوبی مناسب برای محاسبات انسانی. با توجه به شرایط در اینجا شرح داده استفاده می شود: http://xkcd.com/license.html

شکل 5.13: برای برخی از وظایف کامپیوتر شگفت انگیز است، بیش از توانایی کارشناسان انسان است. اما، برای کارهای دیگر، انسان های عادی می تواند سیستم کامپیوتر حتی پیچیده بهتر است. مشکلات در مقیاس بزرگ که شامل کارهایی است که سخت برای رایانه و آسان برای انسان هستند به خوبی مناسب برای محاسبات انسانی. با توجه به شرایط در اینجا شرح داده استفاده می شود: http://xkcd.com/license.html

با این تعریف FoldIt-که من در بخش مربوط به باز توصیف تماس های می تواند به عنوان یک پروژه محاسبات انسانی. با این حال، من را انتخاب کنید به دسته بندی FoldIt به عنوان فراخوان به دلیل آن نیاز به مهارت های تخصصی و آن طول می کشد بهترین راه حل به جای استفاده از یک تقسیم اعمال-ترکیب استراتژی کمک کرده است.

برای درمان طول کتاب عالی محاسبات بشر، در کلی ترین مفهوم این اصطلاح، و Law and Ahn (2011) . فصل 3 از Law and Ahn (2011) است یک بحث جالب از مراحل ترکیب پیچیده تر از آنهایی که در این فصل.

اصطلاح "تقسیم اعمال-ترکیب" توسط استفاده شد Wickham (2011) برای توصیف یک استراتژی برای محاسبات آماری، اما آن را کاملا قطاری از این روند بسیاری از پروژه های محاسبات انسانی. حد اعمال-ترکیب تقسیم استراتژی مشابه چارچوب نگاشتکاهش توسعه یافته در گوگل است (Dean and Ghemawat 2004; Dean and Ghemawat 2008) .

دو پروژه محاسبات انسانی باهوش، که به من فضای لازم نیست که به بحث در مورد هستید این بازی ESP (Ahn and Dabbish 2004) و reCAPTCHA (Ahn et al. 2008) . هر دو از این پروژه ها راه های خلاقانه پیدا شده است به ایجاد انگیزه در شرکت کنندگان به ارائه برچسب بر روی تصاویر. با این حال، هر دو از این پروژه ها نیز مسائل اخلاقی مطرح، زیرا بر خلاف باغ وحش کهکشان، شرکت کنندگان در بازی ESP و reCAPTCHA را نمی دانم که چگونه اطلاعات خود را مورد استفاده قرار گرفت (Lung 2012; Zittrain 2008) .

با الهام از ESP بازی، بسیاری از محققان تلاش کرده اند به توسعه دیگر "بازی با یک هدف" (Ahn and Dabbish 2008) (به عنوان مثال، "بازی های محاسبات انسانی مبتنی بر" (Pe-Than, Goh, and Lee 2015) ) است که می تواند مورد استفاده برای حل انواع مشکلات دیگر است. آنچه که این "بازی با یک هدف" مشترک است این است که آنها سعی می کنند که وظایف درگیر در محاسبات انسانی لذت بخش است. بنابراین، در حالی که ESP بازی سهام تقسیم اعمال-ترکیب همان ساختار با باغ وحش کهکشانی، آن را در نحوه شرکت کنندگان انگیزه سرگرم کننده در مقابل میل به کمک به علم متفاوت است.

توصیف من از باغ وحش کهکشان تساوی در Nielsen (2012) ، Adams (2012) ، Clery (2011) ، و Hand (2010) ، و ارائه من از اهداف پژوهش از باغ وحش کهکشان ساده شد. برای اطلاعات بیشتر در تاریخ طبقه بندی کهکشان در نجوم و چگونه باغ وحش کهکشان ادامه این سنت، و Masters (2012) و Marshall, Lintott, and Fletcher (2015) . ساختمانی در باغ وحش کهکشان، محققان تکمیل باغ وحش کهکشانی 2 که بیش از 60 میلیون بیشتر طبقه بندی پیچیده مورفولوژیکی از داوطلبان جمع آوری (Masters et al. 2011) . علاوه بر این، آنها را به مشکلات خارج از مورفولوژی کهکشان از جمله بررسی سطح ماه، به دنبال سیارات، و پیاده اسناد قدیمی شاخه. در حال حاضر، تمام پروژه های خود را در جمع آوری www.zooniverse.org (Cox et al. 2015) . یکی از پروژه های-عکس فوری شواهدی وجود دارد که باغ وحش کهکشانی نوع پروژه طبقه بندی تصویر نیز می تواند برای تحقیقات زیست محیطی انجام شود سرنگتی-فراهم می کند (Swanson et al. 2016) .

برای محققان برنامه ریزی برای استفاده از یک میکرو کار بازار کار (به عنوان مثال، آمازون مکانیک ترک) برای یک پروژه محاسبات انسانی، Chandler, Paolacci, and Mueller (2013) و Wang, Ipeirotis, and Provost (2015) ارائه مشاوره خوب در وظیفه و طراحی دیگر موضوعات مرتبط.

محققان علاقه مند به ایجاد آنچه که من نسل دوم سیستم های محاسبات انسانی به نام ام (به عنوان مثال، سیستم های که با استفاده از برچسب های انسان برای آموزش یک مدل یادگیری ماشین) ممکن است علاقه مند Shamir et al. (2014) (برای مثال با استفاده از صدا) و Cheng and Bernstein (2015) . همچنین، این پروژه را می توان با تماس های باز، به موجب آن محققان رقابت برای ایجاد مدل های یادگیری ماشین با بیشترین عملکرد پیش بینی انجام می شود. به عنوان مثال، تیم باغ وحش کهکشان فراخوان زد و یک رویکرد جدید است که یکی از توسعه یافته در عملکرد بهتری نسبت به پیدا شده است Banerji et al. (2010) ؛ مشاهده Dieleman, Willett, and Dambre (2015) برای جزئیات بیشتر.

  • تماس های باز (بخش 5.3)

تماس های باز جدید نیستند. در واقع، یکی از تماس های باز شناخته شده ترین قدمت آن به 1714، زمانی که مجلس بریتانیا طول جایزه برای هر کسی است که می تواند راه را برای تعیین طول یک کشتی در دریا توسعه ایجاد شده است. مشکل متوقف کرد بسیاری از دانشمندان بزرگ روز، از جمله اسحاق نیوتن، و راه حل برنده در نهایت توسط clockmaker از روستاها که مشکل متفاوت از دانشمندان که در یک راه حل که به نحوی شامل نجوم متمرکز شده بودند نزدیک ارائه شد (Sobel 1996) . از آنجا که این مثال نشان می دهد، یکی از دلایلی که تماس های باز تصور به کار به خوبی این است که آنها دسترسی به افراد با دیدگاه های مختلف و مهارت (Boudreau and Lakhani 2013) . مشاهده Hong and Page (2004) و Page (2008) برای اطلاعات بیشتر در ارزش تنوع حل مسئله است.

هر یک از موارد پاسخ باز در فصل نیاز به کمی توضیح بیشتر برای چرا آن را در این دسته تعلق دارد. اول، یک راه است که من بین محاسبات انسانی و پروژه های پاسخ باز تشخیص این است که آیا خروجی متوسط ​​تمام راه حل های (محاسبات انسانی) و یا بهترین راه حل (فراخوان) است. جایزه Netflix بکشد تا حدودی در این زمینه دشوار است چرا که بهترین راه حل تبدیل به یک میانگین پیچیده از راه حل های فردی، یک نزدیک شدن به نام یک راه حل گروه (Bell, Koren, and Volinsky 2010; Feuerverger, He, and Khatri 2012) . از منظر Netflix بکشد، با این حال، همه آنها به حال به انجام انتخاب بهترین راه حل بود.

دوم، از سوی برخی از تعاریف محاسبات انسانی (به عنوان مثال، Von Ahn (2005) )، FoldIt باید در نظر گرفته شود یک پروژه محاسبات انسانی. با این حال، من را انتخاب کنید به دسته بندی FoldIt به عنوان فراخوان به دلیل آن نیاز به مهارت های تخصصی و آن طول می کشد بهترین راه حل کمک کرد، به جای استفاده از یک تقسیم اعمال-ترکیب استراتژی.

در نهایت، میتوان استدلال کرد که نظیر به ثبت اختراع یک مثال از جمع آوری داده ها توزیع شده است. من را انتخاب کنید آن را به عنوان فراخوان به دلیل آن است یک ساختار مسابقه مانند و تنها بهترین کمک استفاده می شود (در حالی که با مجموعه اطلاعات توزیع شده، این ایده از کمک های خوب و بد کمتر مشخص است).

برای اطلاعات بیشتر در جایزه Netflix بکشد، و Bennett and Lanning (2007) ، Thompson (2008) ، Bell, Koren, and Volinsky (2010) ، و Feuerverger, He, and Khatri (2012) . برای اطلاعات بیشتر در FoldIt را مشاهده کنید، Cooper et al. (2010) ، Andersen et al. (2012) ، و Khatib et al. (2011) ؛ توصیف من از FoldIt تساوی در توصیف در Nielsen (2012) ، Bohannon (2009) ، و Hand (2010) . برای اطلاعات بیشتر در نظیر به ثبت اختراع، و Noveck (2006) ، Bestor and Hamp (2010) ، Ledford (2007) ، و Noveck (2009) .

مشابه به نتایج حاصل از Glaeser et al. (2016) ، Mayer-Schönberger and Cukier (2013) ، فصل 10 گزارش دستاوردهای بزرگ در بهره وری از بازرسان مسکن در شهر نیویورک که بازرسی ها توسط مدل های پیش بینی هدایت می شود. در شهر نیویورک، این مدل های پیش بینی شده توسط کارکنان شهرستان (به عنوان مثال، ساخته شده اند، اما در موارد دیگر، می توان تصور که آنها می تواند ایجاد شده و یا با تماس های باز بهبود Glaeser et al. (2016) ). با این حال، یکی از نگرانی های عمده با مدل های پیش بینی استفاده می شود برای تخصیص منابع است که مدل دارای پتانسیل برای تقویت تعصبات موجود است. بسیاری از محققان در حال حاضر "، زباله در زباله از" می دانم، و با مدل های پیش بینی می توان آن را "تعصب در، تعصب است." ببینید Barocas and Selbst (2016) و O'Neil (2016) برای اطلاعات بیشتر در مورد خطرات مدل های پیش بینی ساخته شده با داده های آموزشی مغرضانه است.

یکی از مشکلات که ممکن است دولت از استفاده از مسابقات باز جلوگیری از آن است که نیاز انتشار داده ها، که می تواند به نقض حریم خصوصی منجر شود. برای اطلاعات بیشتر در مورد حفظ حریم خصوصی و آزادی داده ها در تماس های باز را ببینید Narayanan, Huey, and Felten (2016) و بحث در فصل 6.

  • مجموعه اطلاعات توزیع شده (بخش 5.4)

توصیف من از eBird تساوی در توصیف در Bhattacharjee (2005) و Robbins (2013) . برای اطلاعات بیشتر در نحوه استفاده از محققان از مدل های آماری تجزیه و تحلیل داده eBird دیدن Hurlbert and Liang (2012) و Fink et al. (2010) . برای اطلاعات بیشتر در تاریخ علم شهروند در ornothology، و Greenwood (2007) .

برای اطلاعات بیشتر در پروژه مجلات مالاوی، و Watkins and Swidler (2009) و Kaler, Watkins, and Angotti (2015) . و برای اطلاعات بیشتر در یک پروژه مرتبط در آفریقای جنوبی، و Angotti and Sennott (2015) . برای مثال بیشتر از داده های پژوهش با استفاده از از برنامه مالاوی مجلات دیدن Kaler (2004) و Angotti et al. (2014) .

  • طراحی خود را (بخش 5.5)

رویکرد من به ارائه مشاوره طراحی استقرایی بود، بر اساس نمونه هایی از موفقیت آمیز و پروژه های همکاری جمعی که من در مورد شنیده ام شکست خورده است. نیز وجود دارد یک جریان تحقیق تلاش برای اعمال نظریه روانی اجتماعی کلی تر به طراحی جوامع آنلاین است که مربوط به طراحی پروژه های همکاری جمعی، و، برای مثال، Kraut et al. (2012) .

با توجه به انگیزه شرکت کنندگان، آن است که در واقع کاملا روی حیله و تزویر به شکل دقیقا به همین دلیل مردم در پروژه های همکاری جمعی شرکت (Nov, Arazy, and Anderson 2011; Cooper et al. 2010, Raddick et al. (2013) ; Tuite et al. 2011; Preist, Massung, and Coyle 2014) . اگر شما قصد ایجاد انگیزه شرکت کنندگان با پرداخت در بازار کار میکرو کار (به عنوان مثال، آمازون مکانیک ترک) Kittur et al. (2013) ارائه می دهد برخی از مشاوره.

با توجه به فعال کردن تعجب، برای نمونه های بیشتری از اکتشافات غیر منتظره از پروژه های Zoouniverse آینده، و Marshall, Lintott, and Fletcher (2015) .

با توجه به مسائل اخلاقی است، برخی از معرفی عمومی خوب به مسائل درگیر هستند Gilbert (2015) ، Salehi et al. (2015) ، Schmidt (2013) ، Williamson (2016) ، Resnik, Elliott, and Miller (2015) ، و Zittrain (2008) . برای مسائل خاص به مسائل حقوقی با کارکنان جمعیت مربوط، و Felstiner (2011) . O'Connor (2013) به پرسش های مربوط نظارت اخلاق در پژوهش که نقش محققان و شرکت کنندگان تاری. برای مسائل مربوط به اشتراک گذاری داده ها در حالی که حفاظت participats در پروژه های علوم شهروندی، و Bowser et al. (2014) . هر دو Purdam (2014) و Windt and Humphreys (2016) برخی از بحث در مورد مسائل اخلاقی در جمع آوری داده ها توزیع شده است. در نهایت، بسیاری از پروژه های تصدیق سهم اما اعتبار مؤلف به شرکت کنندگان نمی دهد. در Foldit، بازیکنان Foldit اغلب به عنوان یک نویسنده ذکر شده (Cooper et al. 2010; Khatib et al. 2011) . در دیگر پروژه های پاسخ باز، از عوامل برنده اغلب می تواند ارسال نامه مقاله توصیف راه حل های خود (به عنوان مثال، Bell, Koren, and Volinsky (2010) و Dieleman, Willett, and Dambre (2015) ). در خانواده باغ وحش کهکشانی از پروژه ها، همکاران بسیار فعال و مهم است گاهی اوقات دعوت به همکاری نویسندگان در مقالات. به عنوان مثال ایوان Terentev و تیم Matorny، دو شرکت کنندگان رادیو باغ وحش کهکشانی از روسیه، نویسنده مشترک در یکی از مقالات که از آن به وجود آمد پروژه شد (Banfield et al. 2016; Galaxy Zoo 2016) .