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
Questo studio dimostra che i volontari della scienza partecipata di Trash Free Trails producono dati coerenti e accurati relativi ai rilievi sull'inquinamento da monouso indipendentemente dalla loro esperienza, formazione o background scientifico, sebbene la rilevabilità vari significativamente in base al tipo di oggetto e ulteriori miglioramenti alle risorse di formazione potrebbero potenziare ulteriormente l'accuratezza della categorizzazione.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Immaginate la Terra come un enorme e disordinato soggiorno dove tutti abbiamo lasciato cadere briciole, involucri e giocattoli rotti per decenni. Gli scienziati chiamano questo fenomeno "inquinamento da monouso" (SUP): oggetti che usiamo una volta sola e poi scartiamo, come bottiglie di plastica, mozziconi di sigaretta e involucri di cibo. Sebbene sappiamo molto su come questa spazzatura finisca negli oceani, la versione "soggiorno" sulla terraferma (foreste, parchi e sentieri) è un po' un mistero. Non abbiamo abbastanza dati per sapere esattamente quanto ce ne sia o di cosa sia composta. Per risolvere questo problema, gli scienziati spesso reclutano i "citizen scientist" (scienziati cittadini): persone comuni come te e me, che escono a contare la spazzatura. Ma ecco la grande domanda: può una persona comune, senza una laurea in scienze, contare la spazzatura bene quanto un esperto formato? Se i dati sono disordinati o distorti perché alcune persone sono più brave a scovare le cose di altre, l'intero piano va in fumo. Questo è il puzzle che i ricercatori stanno cercando di risolvere: la "folla" è abbastanza intelligente da dare risposte accurate, o abbiamo bisogno di un team di dottorandi per fare il lavoro?
Entra in scena un team di ricercatori della Bangor University e dell'organizzazione Trash Free Trails (TFT), che ha deciso di mettere alla prova questa idea. Hanno organizzato un enorme gioco di "Dov'è Wally?" nella vita reale in una foresta del Galles, ma invece di cercare una maglietta a righe, i volontari dovevano trovare la spazzatura nascosta. Volevano vedere se il background di un volontario — come avere una laurea in scienze, anni di esperienza o aver guardato un video di formazione online — li rendesse più bravi a trovare e classificare i rifiuti.
L'allestimento era ingegnoso. I ricercatori hanno liberato un tratto di sentiero forestale lungo 250 metri e poi hanno piantato segretamente 63 pezzi di spazzatura lungo di esso, che spaziavano da evidenti bottiglie di plastica a minuscoli e difficili da vedere mozziconi di sigaretta. Hanno reclutato 20 volontari e li hanno divisi in quattro gruppi: quelli senza esperienza e senza un background scientifico, quelli con un background scientifico ma senza esperienza, quelli che avevano guardato video formativi e quelli che erano già volontari esperti. Ogni persona ha percorso il sentiero da sola, contando e categorizzando la spazzatura trovata. Hanno anche svolto un secondo turno in cui dovevano individuare oggetti leggermente "nascosti" o mimetizzati con lo sfondo, e un terzo compito in cui dovevano smistare una pila di articoli misteriosi nelle categorie corrette.
I risultati sono stati sorprendentemente semplici e rassicuranti. Lo studio ha scoperto che non importava chi fossi. Che fossi un totale principiante, un genio della scienza, uno che aveva guardato i video o un professionista esperto, tutti trovavano circa la stessa quantità di spazzatura e commettevano all'incirca lo stesso numero di errori. I video di "formazione" non rendevano magicamente le persone più brave a individuare gli oggetti, e avere una laurea in scienze non ti aiutava a contare con maggiore precisione. In effetti, i dati suggeriscono che i volontari hanno fornito un flusso di informazioni coerente e affidabile, proprio come quello che potrebbe produrre un ricercatore professionista.
Tuttavia, lo studio ha trovato un grosso "tranello": la spazzatura non era tutta uguale. Alcuni oggetti erano come insegne al neon, facili da individuare da un chilometro di distanza (come bottiglie di plastica e lattine colorate), mentre altri erano come ninja, nascosti in piena vista. Mozziconi di sigaretta, fascette da elettricista e piccoli involucri erano notoriamente difficili da trovare per tutti, indipendentemente dal livello di abilità. I ricercatori suggeriscono che questo significa che i grandi dataset raccolti da gruppi come TFT potrebbero accidentalmente contare troppo la spazzatura luminosa e ovvia e contare troppo poco quella subdola e criptica. Non è che i volontari siano cattivi nel loro lavoro; è che alcuni oggetti sono solo più difficili da vedere rispetto ad altri.
Quindi, qual è la conclusione? Se sei preoccupato che i dati della citizen science siano "poco affidabili" perché le persone comuni non sono esperti, questo studio suggerisce che puoi rilassarti. La "folla" è sorprendentemente coerente. La vera sfida non è addestrare le persone a essere migliori detective, ma realizzare che alcuni tipi di spazzatura sono semplicemente più bravi a nascondersi rispetto ad altri. Gli autori suggeriscono che, sebbene l'attuale formazione online sia adeguata per far iniziare le persone, modificare le schede di rilevamento per aiutare le persone a classificare gli articoli complicati (come distinguere tra diversi tipi di plastica) potrebbe rendere i dati ancora più precisi. In definitiva, questa ricerca dà il via libera per continuare a fidarsi delle persone comuni per aiutare a pulire il pianeta, purché ricordiamo che alcuni rifiuti sono semplicemente più bravi a giocare a nascondino rispetto ad altri.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.