Signal Versus Noise: Evaluating iNaturalist Photos as a Source of Quantitative Phenotypic Data in Plethodon Salamanders using Autoresearch and Agentic AI
تُظهر هذه الدراسة أنه في حين يمكن لصور "آي ناتشوراليست" (iNaturalist) أن تستعيد بفعالية ترددات الأنماط اللونية المنفصلة في سمندل "بليثودون" (*Plethodon*)، إلا أنها غير ملائمة للنمط الظاهري الكمي المستمر مثل سطوع الظهر بسبب الضجيج الهائل الناتج عن الملاحظين الذي يحجب الإشارات الجغرافية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
الصورة الكبيرة: هل يمكننا التعلم من الصور العشوائية؟
تخيل أن لديك مكتبة ضخمة تضم ملايين الصور التي التقطها أشخاص عاديون (علماء مواطنون) لحيوانات السلمندر في البرية. هذه الصور مُعلمة بدقة بمكان التقاطها. يريد العلماء استخدام هذه الصور للإجابة على سؤال كبير: هل يصبح لون السلمندر داكناً أم فاتحاً بناءً على المكان الذي يعيش فيه؟
هذا سؤال بيولوجي كلاسيكي. تقول بعض النظريات إن السلمندر في الأماكن الحارة والرطبة يجب أن يكون داكناً (للتعامل مع الشمس)، بينما تقول نظريات أخرى إن أولئك الذين يعيشون في الأماكن الباردة يجب أن يكونوا داكنين (لامتصاص الحرارة).
قرر مؤلف هذه الورقة، كايل أوكونيل، اختبار ما إذا كانت هذه الصور "الفوضوية" التي تم جمعها من الجمهور صالحة بما يكفي للإجابة على هذا السؤال. لقد تعامل مع الصور وكأنها "إشارة" تحاول اختراق جدار من "الضجيج".
المشكلة: جدار "إعدادات الكاميرا"
المشكلة الرئيسية في هذه الصور هي أنها لم تُلتط في مختبر. قد يلتقط شخص ما صورة مع تشغيل الفلاش في يوم مشمس؛ بينما يلتقط آخر صورة بهاتف في الظل ليلاً.
التشبيه: تخيل أنك تحاول قياس درجة حرارة غرفة بدقة عن طريق سؤال 10,000 شخص لتخمين درجة الحرارة باستخدام موازين حرارة مكسورة خاصة بهم. بعض الموازين عالقة على "حار"، وبعضها على "بارد"، وبعضها مجرد موازين معطلة. حتى لو كانت درجة حرارة الغرفة تتغير فعلياً بشكل طفيف من طرف إلى آخر في المنزل، فستبدو بياناتك كفوضى عشوائية لأن الأشخاص وأدواتهم هم المصدر الأكبر للخطأ، وليس الغرفة نفسها.
التجربة: "الباحث الروبوت"
لإصلاح ذلك، لم يكتفِ المؤلف بتعديل كود الكمبيوتر يدوياً، بل استخدم طريقة جديدة ومتطورة تسمى "البحث التلقائي" (Autoresearch) (مدعومة بالذكاء الاصطناعي).
التشبيه: فكر في هذا الأمر كطباخ آلي يحاول صنع الحساء المثالي. بدلاً من أن يخمن الطباخ، يحاول الروبوت تجربة 50 وصفة مختلفة في تتابع سريع. يقوم بتغيير شيء واحد في كل مرة (رشة ملح إضافية، وعاء مختلف، موقد أكثر حرارة)، يتذوق الحساء، ويحتفظ بالتغييرات التي تجعله أفضل.
- "الحساء" كان هو كود الكمبيوتر الذي يقيس لون السلمندر.
- "اختبار التذوق" كان التحقق مما إذا كان الكود يستطيع إيجاد نمط في البيانات.
جرب الروبوت كل شيء: قص الصور بشكل مختلف، وتغيير طريقة حساب اللون، وتصفية الصور السيئة.
النتائج: قصتان مختلفتان
بحثت الدراسة في نوعين من سمات السلمندر:
1. السمة المستمرة: "ما مدى دكنة لون السلمندر؟" (الفشل)
حاول المؤلف قياس الدرجة الدقيقة للون الرمادي أو البني على ظهر السلمندر.
- النتيجة: فشل ذريع. لم يجد الكمبيوتر أي صلة تقريباً بين لون السلمندر ومكانه.
- لماذا؟ كان "الضجيج" عالياً جداً. وجدت الدراسة أن الشخص الذي التقط الصورة يفسر 23% من الاختلافات في اللون. إذا التقط الشخص (أ) صورة، بدا السلمندر فاتحاً؛ وإذا التقط الشخص (ب) صورة لنفس السلمندر، بدا داكناً.
- الخلامة: لا يمكنك استخدام هذه الصور العشوائية لقياس درجات اللون الدقيقة. "الموازين المكسورة" (إعدادات الكاميرا) مكسورة جداً بحيث لا يمكنها اكتشاف التغيرات الطفيفة في درجة الحرارة (التحولات البيولوجية في اللون).
2. السمة المنفصلة: "هل هو أحمر أم رمادي؟" (النجاح)
بعد ذلك، حاول المؤلف طرح سؤال أبسط: هل السلمندر من النوع "أحمر الظهر" أم النوع "الرصاصي" (الرمادي)؟ هذا سؤال (نعم/لا)، وليس سؤال "كم المقدار".
- النتيعة: نجاح! استطاع الكمبيوتر إيجاد نمط جغرافي. فقد وجد أن السلمندرات ذات الظهر الأحمر كانت أكثر شيوعاً في مناطق معينة.
- لماذا؟ الفرق بين "الأحمر" و"الرمادي" كبير جداً لدرجة أن أي كاميرا سيئة يمكنها التمييز بينهما. الأمر يشبه محاولة التمييز بين كرة حمراء وصخرة رمادية في الظلام؛ حتى مع ضعف البصر، لا يزال بإمكانك رؤية الفرق.
- العقبة: وجدت الدراسة أيضاً أن الناس يميلون لالتقاط صور للحيوانات "الغريبة" (النادرة) أكثر من الحيوانات الشائعة. لذا، بينما استطاع الكمبيوتر إيجاد النمط، إلا أن النمط قد يكون مشوهاً قليلاً لأن الناس يفضلون تصوير الأنواع "المميزة".
مراجة "جودة القص" الواقعية
قام المؤلف أيضاً بفحص يدوي. نظر إلى 200 صورة اعتبرها الكمبيوتر "جيدة".
- الصدمة: 38% فقط كانت جيدة بالفعل!
- الكثير من الصور كانت ضبابية، أو ملتقطة من زاوية خاطئة، أو تظهر السلمندر وهو يُحمل في يد بشرية (مما يفسد قراءة اللون).
- المفارقة: نظام "فحص الجودة" التلقائي للكمبيوتر سمح بمرور جميع هذه الصور السيئة تقريباً. كان الأمر أشبه بحارس ملهى يسمح بدخول الجميع، حتى أولئك الذين يرتدون ملابس النوم، لمجرد أنهم يبدون "بشكل مقبول" من بعيد.
الحكم النهائي
ما الذي يمكننا تعلمه من هذه الصور؟
- هل يمكننا قياس الألوان الدقيقة؟ لا. الصور فوضوية للغاية. "الإشارة" (البيولوجيا) يغرقها "الضوضاء" (الكاميرات السيئة والإضاءة).
- هل يمكننا عدّ الأنواع المختلفة؟ نعم، ولكن بحذر. إذا كان الفرق كبيراً (أحمر مقابل رمادي)، يمكننا رؤيته. لكن علينا أن نكون حذرين لأن الناس قد يلتقطون صوراً أكثر للأنواع النادرة، مما يحرف الأرقام.
الدرس الكبير للعلوم:
قبل أن يقضي العلماء سنوات في تحليل ملايين الصور من جهود الجمهور، يجب عليهم إجراء اختبار "الطباخ الآلي" أولاً. توضح هذه الدراسة أنه بالنسبة لبعض الأسئلة (القياسات الدقيقة)، فإن هذه الصور غير مفيدة. أما بالنسبة لأسئلة أخرى (الفئات الكبيرة)، فهي مفيدة، ولكن عليك أن تكون حذراً جداً في كيفية طرح السؤال.
باختًا: يمكنك استخدام ألبوم صور من صنع الجمهور لتعرف ما إذا كان السلمندر يرتدي قميصاً أحمر أم رمادياً، لكن لا يمكنك استخدامه لقياس الدرجة الدقيقة للاحمرار أو السطوع الدقيق للرمادي. "ضجيج" المصورين أعلى بكثير من أن يتم تجاهله.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.