Leveling Up Citizen Science for (meta)genomic research
Notice bibliographique
Résumé
Over the past decade, citizen science computer games have become a popular practice for engaging the public in research activities. This methodology had a noticeable impact in molecular and cell biology, where millions of online volunteers contributed to the classification and annotation of scientific data, but also to solve advanced optimization problems requiring human supervision. Yet, despite promising results, the deployment of citizen science initiatives through academic/professional web pages faces serious limitations. Indeed, the volume of human attention needed to process massive data sets and make state-of-the-art scientific contributions rapidly outpaces the participation and availability of online volunteers. To overcome this challenge, citizen science must transcend its “natural habitat” and reach out to the entire gaming communities. To address this challenge, we propose to build partnerships with commercial video game companies that already assembled large communities of gamers. In this talk, we describe how this approach can transform the impact of citizen science in (meta)genomics. We discuss our experience from Phylo, an online puzzle for gene alignment, to Borderlands Science, a massively multiplayer online game for microbiome data analysis. We show how to embeds citizen science tasks into a virtual universe to engage new user bases. These principles have profound implications for future citizen science initiatives seeking to meet the growing demands of biology.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,022 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,011 |
| Communication savante | 0,014 | 0,021 |
| Science ouverte | 0,002 | 0,030 |
| Intégrité de la recherche | 0,006 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,022 | 0,007 |
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 source (Gemma direct ou Codex distillé), 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 ».