Exploring CrowdBots: a new evolutionary pathway for citizen science projects
Notice bibliographique
Résumé
Collective hybrid intelligence may serve as an effective progression in the evolution of crowd-powered systems such as citizen science projects, which rely on human cognition. Supervised machine learning has been treated as a panacea for automated image classification under the assumption that prediction performance depends primarily on the quality and volume of the training corpus, which is often obtained through crowdsourcing. We have observed that this assumption may fall short when accurate classification depends upon contextual knowledge that is not encoded in the pixels or on the inference needed to apply that knowledge. We organized a machine learning competition using data previously analysed by humans on our “Stall Catchers” citizen science platform, which gave rise to models exhibiting a range of performance characteristics. Though none of these models exhibits classification performance sufficient to replace Stall Catchers, the sensitivity and bias distributions of these models are remarkably similar to those of human volunteers, suggesting the models' suitability for crowd-based participation. We are currently conducting studies to examine the extent to which such human/AI ensembles may give purpose to imperfect ML models as an intermediate practicable step toward fully automated solutions. Our workshop sought to motivate and communicate this approach via three talks followed by a Hybrid AI simulation game, in which workshop participants broke out into teams to design hybrid AI architectures that employ CrowdBots for existing and imagined citizen science scenarios. This workshop seeded a collection of novel information processing configurations that leverage this new approach to combining AI and human cognition.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».