Citizen scientists for <scp>MoveApps</scp> : Innovations and insights from volunteer coders in wildlife conservation
Notice bibliographique
Résumé
Abstract Amidst numerous global crises, decision‐makers have recognized the critical need for fact‐based advice, driving unprecedented data collection. However, a significant gap persists between data availability and knowledge generation, primarily due to time and resource constraints. To bridge this gap, we propose involving a novel group of citizen scientists: volunteer code developers. Utilizing the modular, open‐source analysis platform MoveApps, we were able to engage 12 volunteer coders in a challenge to create tools for movement ecology, aimed at animal conservation. These volunteers developed functioning applications capable of analysing animal tracking data to identify stationary behaviour, estimate ranges and movement corridors and assess human–wildlife conflicts using data sets from human infrastructure, such as OpenStreetMap. Engaging citizen scientists in developing code has surfaced three primary challenges: (i) Community Building—attracting the right participants; (ii) Community Involvement—maintaining quality standards and directing tasks effectively; and (iii) Community Retention—ensuring long‐term engagement. We explore strategies to overcome these challenges and share lessons learnt from our coding challenge experience. Our approaches include engaging the community through their own preferred channels, providing an accessible open‐source tool, defining specific use cases in detail, ensuring quality through feedback, fostering self‐organized community exchanges and prominently illustrating the impact of contributions. We also advocate for other disciplines to consider leveraging volunteer involvement, alongside artificial intelligence, for data analysis and generating state‐of‐the‐art, fact‐based insight to address critical issues such as the global decline in biodiversity.
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 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».