Data quality remains consistent between volunteer scientific background, training and experience levels, while single-use pollution detectability varies in trash free trails citizen science surveys
Diese Studie zeigt, dass die Citizen-Science-Freiwilligen von Trash Free Trails konsistente und genaue Erhebungswerte zu Einwegverschmutzungen liefern, unabhängig von ihrer Erfahrung, Ausbildung oder ihrem wissenschaftlichen Hintergrund, wenngleich die Detektierbarkeit je nach Artikeltyp signifikant variiert und potenzielle Verbesserungen der Schulungsressourcen die Genauigkeit der Kategorisierung weiter erhöhen könnten.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich die Erde als ein riesiges, unordentliches Wohnzimmer vor, in dem wir alle seit Jahrzehnten Krümel, Verpackungen und kaputtes Spielzeug liegen lassen. Wissenschaftler nennen das „Einwegverschmutzung“ (Single-Use Pollution, SUP) – Dinge, die wir einmal benutzen und dann wegwerfen, wie Plastikflaschen, Zigarettenstummel und Lebensmittelverpackungen. Während wir viel darüber wissen, wie dieser Müll im Ozean landet, ist die „Wohnzimmer“-Version an Land (Wälder, Parks und Wanderwege) ein wenig mysteriös. Wir haben nicht genügend Daten, um genau zu wissen, wie viel davon dort ist oder woraus es besteht. Um dies zu lösen, rekrutieren Wissenschaftler oft „Citizen Scientists“ – reguläre Menschen wie Sie und mich – damit sie ausgehen und den Müll zählen. Aber hier stellt sich die große Frage: Kann eine ganz normale Person ohne wissenschaftlichen Abschluss den Müll genauso gut zählen wie ein ausgebildeter Experte? Wenn die Daten unordentlich oder verzerrt sind, weil manche Leute besser darin sind, Dinge zu entdecken als andere, bricht der ganze Plan zusammen. Dies ist das Rätsel, das Forscher zu lösen versuchen: Ist die „Masse“ klug genug, um uns genaue Antworten zu geben, oder brauchen wir ein Team von PhDs für die Aufgabe?
Hier kommt ein Team von Forschern der Bangor University und der Organisation Trash Free Trails (TFT) ins Spiel, die beschlossen, diese Idee auf die Probe zu stellen. Sie richteten ein riesiges, reales „Wo ist Waldo?“-Spiel in einem Wald in Wales ein, aber anstatt nach einem gestreiften Hemd zu suchen, mussten die Freiwilligen versteckten Müll finden. Sie wollten sehen, ob der Hintergrund eines Freiwilligen – wie etwa ein Naturwissenschaftsstudium, jahrelange Erfahrung oder das Ansehen eines Online-Schulungsvideos – sie besser darin machte, den Abfall zu finden und zu sortieren.
Der Aufbau war clever. Die Forscher räumten einen 250 Meter langen Waldweg frei und pflanzten dann heimlich 63 Teile Müll entlang des Weges aus, die von offensichtlichen Plastikflaschen bis hin zu winzigen, schwer zu sehenden Zigarettenstummeln reichten. Sie rekrutierten 20 Freiwillige und teilten sie in vier Gruppen ein: solche ohne Erfahrung und ohne wissenschaftlichen Hintergrund, solche mit einem naturwissenschaftlichen Hintergrund, aber ohne Erfahrung, solche, die Schulungsvideos geschaut hatten, und solche, die bereits erfahrene Freiwillige waren. Jede Person ging den Pfad allein ab, zählte und kategorisierte den gefundenen Müll. Sie absolvierten zudem eine zweite Runde, in der sie Gegenstände finden mussten, die leicht „versteckt“ oder im Hintergrund verschmolzen waren, sowie eine dritte Aufgabe, bei der sie einen Haufen mysteriöser Gegenstände in die richtigen Kategorien sortieren mussten.
Die Ergebnisse waren überraschend einfach und beruhigend. Die Studie ergab, dass es keine Rolle spielte, wer man war. Ob Sie ein absoluter Neuling, ein Wissenschaftswiz, ein Video-Schauer oder ein erfahrener Profi waren – alle fanden etwa die gleiche Menge an Müll und machten etwa die gleichen Fehler. Die „Schulungsvideos“ machten die Leute nicht magisch besser darin, Gegenstände aufzuspüren, und ein Naturwissenschaftsstudium half Ihnen auch nicht dabei, mehr präzise zu zählen. Tatsächlich legen die Daten nahe, dass die Freiwilligen einen konsistenten, zuverlässigen Informationsstrom lieferten, der genauso gut war, wie ihn ein professioneller Wissenschaftler produzieren könnte.
Die Studie fand jedoch ein großes „Aha-Erlebnis“: Der Müll selbst war nicht gleichmäßig geschaffen. Einige Gegenstände waren wie Leuchtreklamen, die man aus einer Meile Entfernung leicht sehen konnte (wie helle Plastikflaschen und Dosen), während andere wie Ninjas waren, die direkt vor den Augen der Leute verschwanden. Zigarettenstummel, Kabelbinder und kleine Verpackungen waren für alle besonders schwierig zu finden, unabhängig vom jeweiligen Geschick. Die Forscher vermuten, dass dies bedeutet, dass große Datensätze, die von Gruppen wie TFT gesammelt werden, versehentlich den hellen, offensichtlichen Müll überbewerten und den heimlichen, kryptischen Kram unterbewerten. Es ist nicht so, dass die Freiwilligen ihren Job schlecht machen; es ist vielmehr so, dass einige Gegenstände einfach schwieriger zu sehen sind als andere.
Was ist also die Erkenntnis? Wenn Sie besorgt sind, dass Citizen-Science-Daten „unzuverlässig“ sind, weil reguläre Menschen keine Experten sind, legt diese Studie nahe, dass Sie sich entspannen können. Die „Masse“ ist überraschend konsistent. Die wahre Herausforderung besteht nicht darin, Menschen besser zu trainieren, Detektive zu werden; sondern darin, zu erkennen, dass manche Arten von Müll einfach besser im Versteckspielen sind als andere. Die Autoren schlagen vor, dass das aktuelle Online-Training zwar gut ist, um die Leute den Anfang machen zu lassen, aber eine Anpassung der Erhebungsbögen, die den Leuten helfen, knifflige Gegenstände zu sortieren (wie etwa zwischen verschiedenen Arten von Kunststoff zu unterscheiden), die Daten noch präziser machen könnte. Letztendlich gibt diese Forschung grünes Licht, darauf zu vertrauen, dass reguläre Menschen weiterhin helfen können, den Planeten zu reinigen – solange wir uns daran erinnern, dass ein gewisser Teil des Unrats einfach besser beim Versteckspielen ist als der Rest.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.