利用 Zooniverse 优化人机协作

过去十年间，公民科学已成为一种经过验证的分布式数据分析方法，使来自不同领域的研究团队能够解决涉及大量数据且复杂度需要人类模式识别能力的问题。Zooniverse.org 平台已构建超过 120 个项目，触达近 170 万名志愿者，在将公民科学作为弥合大数据分析法差距的方法应用方面处于领先地位。自 2007 年 Galaxy Zoo 项目启动以来，Zooniverse 平台已在许多学科（如生态学、人文学科和天文学）中作出重大贡献。作为一种应对大数据的方法，公民科学兼具将分析规模扩展至现代数据集大小以及人类进行偶然发现能力的双重优势。为应对未来更大的数据集（如天文学的大型综合巡天望远镜 LSST，或生态学项目每年数百 TB 的数据），Zooniverse 一直在研究一种在任务分配上高效、并将人类与机器分类器纳入分类引擎的系统设计。通过高效利用智能任务分配及人机分类器组合，我们可以实现前所未有的更高准确度与灵活性。我们注意到，创建最高效的系统必须考虑如何最好地吸引并留住志愿者，以及最有效地利用他们的分类结果。因此，我们的工作聚焦于理解优化人机组合系统效率的因素。本文总结了我们在将机器学习与 Zooniverse 集成方面迄今的一些研究，同时描述了 Zooniverse 平台上为开展该研究而开发的新基础设施。