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
这项研究表明，无论经验、培训或科学背景如何，Trash Free Trails 的公民科学志愿者所产生的单次使用污染调查数据均具有一致性和准确性，尽管可检测性因物品类型而异，且对培训资源的潜在改进可以进一步提高分类的准确性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，地球就像一个巨大的、凌乱的客厅，几十年来我们一直在往里面掉落碎屑、包装纸和破碎的玩具。科学家们称之为“一次性污染”（SUP）——即那些我们用一次就扔掉的东西，比如塑料瓶、烟蒂和食物包装袋。虽然我们很清楚这些垃圾是如何进入海洋的，但陆地上的“客厅”版本（森林、公园和步道）却还是个谜。我们缺乏足够的数据来确切了解那里到底有多少垃圾，或者这些垃圾是由什么组成的。为了解决这个问题，科学家经常招募“公民科学家”——也就是像你我这样的普通人——去外出清点垃圾。但这里有一个大问题：一个没有科学学位的人，能像受过训练的专家一样准确地清点垃圾吗？如果数据因为有些人比其他人更擅长发现物品而变得混乱或产生偏差，那么整个计划就会失败。这就是研究人员试图解决的谜题：是“大众”足够聪明，能提供准确的答案，还是我们需要一支拥有博士学位的团队来完成这项工作？
这时，来自班戈大学（Bangor University）的研究团队与“无痕步道”（Trash Free Trails, TFT）组织决定对这个想法进行测试。他们效仿这种思路，在威尔士的一片森林里设置了一场大型的现实版“寻找威利”（Where's Waldo）游戏，只不过志愿者们寻找的不是条纹衬衫，而是隐藏的垃圾。他们想看看志愿者的背景——比如是否有科学学位、是否有多年经验，或者是否看过在线培训视频——是否会让他们在寻找和分类垃圾时表现得更好。
实验设置非常巧妙。研究人员清理了一段250米长的森林小径，然后秘密地在沿线埋下了63件垃圾，从显眼的塑料瓶到细小且难以察觉的烟蒂应有尽有。他们招募了20名志愿者，并将他们分为四组：没有经验且没有科学背景的人、有科学背景但没有经验的人、看过培训视频的人，以及已经有经验的志愿者。每个人独自走过小径，清点并分类他们发现的垃圾。随后，他们进行了第二轮任务，需要找出那些稍微“隐藏”或融入背景的物品；第三个任务则是将一堆神秘物品按正确的类别进行分类。
结果出人意料地简单且令人安心。研究发现，这与你是谁无关。无论你是完全的新手、科学达人、看视频的人，还是经验丰富的专业人士，大家发现的垃圾数量大致相同，犯错的数量也大致相同。培训视频并没有神奇地让人们在发现物品方面变得更出色，拥有科学学位也不会让你在计数时更准确。事实上，数据表明，志愿者们提供了一套一致且可靠的信息流，其质量与专业科学家所能产出的数据不相上下。
然而，研究确实发现了一个主要的“陷阱”：垃圾本身并非生而平等。有些物品就像霓虹灯招牌，一眼就能看到（比如鲜艳的塑料瓶和罐子），而另一些则像忍者一样，隐藏在众目睽睽之下。烟蒂、扎带和小型包装袋对于所有人来说都极难发现，无论其水平高低。研究人员认为，这意味着像TFT这样团体收集的大型数据集可能会在无意中多算那些鲜艳显眼的垃圾，而少算了那些隐蔽的、难以察觉的东西。这并不是说志愿者做得不好，而是有些物品本身就比其他物品更难被发现。
那么，结论是什么？如果你担心公民科学的数据因为普通人不是专家而显得“不可靠”，这项研究表明你可以放心了。“大众”的表现出奇地一致。真正的挑战不在于训练人们成为更好的侦探，而在于意识到某些类型的垃圾确实比其他类型更擅长捉迷藏。作者建议，虽然目前的在线培训足以让人们入门，但通过调整调查表来帮助人们区分复杂的物品（例如区分不同类型的塑料），可以让数据更加精准。最终，这项研究为继续信任普通人来帮助清理地球提供了绿灯，只要我们记住，有些垃圾确实比其他的更擅长玩捉迷藏。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。