《慕慕的阅读笔记》慕明烨

116、《Bit by bit》第五章 第五章《进

　　一、简介
　　1.⼈本计算
　　适合任务简单、数量庞⼤的问题，例如给100万张图⽚贴上标签。
　　经典⽰例是星系动物园（Galaxy Zoo），10万名志愿者协助天⽂学家对100万个星系进⾏了分类。

　　2.公开募集
　　适合为明确公式化的问题寻找新奇的、令⼈意想不到的答案。
　　公开募集项⽬的⼀个经典⽰例是⽹飞奖，在这个项⽬中，成千上万的科学家和⿊客致⼒于开发新的算法来预测⽤户对电影的评价。

　　3.分布式数据采集
　　适合⼤规模的数据采集。
　　分布式数据采集项⽬的⼀个经典⽰例是观鸟数据库（eBird），在这个项⽬中，成千上万的志愿者会贡献有关他们所看到的鸟类的报告。

　　二、人本计算

　　（一）介绍
　　策略是：分解–运⽤–整合
　　在⼈本计算项⽬中，每个⼈接到的都是简单的⼩任务，但将所有⼈的成果整合后就能解决那些对⼀个⼈来说过于宏⼤的问题。
　　在很多情形下，社会研究⼈员也想对图像或⽂本进⾏编码、分类或标⽰。在有些情况下，这类分析可以利⽤计算机来完成，但有些形式的分析对计算机来说很难，⽽对⼈来说很简单。正是这些对⼈来说简单、对计算机来说很难的微任务，可以通过⼈本计算来完成。
　　他们最终的⽬的通常并不是分类，⽽是在分类的基础上进⾏分析。

　　（二）星系动物园
　　1.星系动物园研究
　　星系动物园是2007年⽜津⼤学天⽂学研究⽣凯⽂·肖⽂斯基想到的。
　　当时，天⽂学家的传统观点是，像我们的银河系这样的螺旋星系的颜⾊是蓝⾊的（意味着年轻），⽽椭圆星系的颜⾊则是红⾊的（意味着年⽼）。肖⽂斯基对这⼀传统观点有所怀疑，认为有相当数量的星系除外。为了推翻观点，他需要大量按形态分类的星系。
　　他们建立一个网站，让志愿者了解简单的分类知识，吸引了10万名志愿者

　　2.星系动物园数据清理
　　⾸先，研究⼈员通过删除虚假分类清洗了数据。
　　然后，研究⼈员需要消除清洗后的分类数据中的系统偏差。
　　最后，研究⼈员需要⽤⼀种⽅法把消除偏差后的个体分类数据结合起来，得出⼀个⼀致的分类。他们开发了⼀个更复杂的迭代加权程序，试图检测出最好的分类数据并赋予它们更多的权重。
　　3.星系动物园后续
　　研究⼈员意识到，如果他们想要处理数据量⽇益增多的数据，就需要⼀个新的、更具扩展性的⽅法。
　　他们创建了机器学习模型，尤其是监督式学习

　　（三）政治宣⾔的公众编码
　　1.与星系动物园的发起⼈相似，社会研究⼈员在许多情况下也想对图像或⽂本进⾏编码、分类或标注。其中⼀个例⼦就是对政治宣⾔进⾏编码。
　　2.肯尼思·贝努⽡（Kenneth Benoit）和同事决定把以前由专家进⾏的宣⾔编码转化成⼀个⼈本计算项⽬。

　　3.途径
　　⾸先，研究⼈员将每则宣⾔分解为⼀个个句⼦
　　然后，⼯⼈运⽤编码⽅案对每句话进⾏编码。具体来说，他们被要求将每句话归类为经济政策（偏左或偏右）、社会政策（⾃由主义或保守主义）或两者都不是
　　最后，在考虑个⼈因素影响和句⼦难度影响的前提下，研究⼈员利⽤⼀个统计模型对所有分类数据进⾏整合。

　　三、公开征集
　　（一）介绍
　　公开征集旨在为明确具体的目标征集新想法，它适用于“检验解决方案比想出解决方案更容易”的情形。
　　如果你曾想过“我不知道该如何解决这个问题，但我确信⼀定有⼈知道”，那么就可以通过公开征集解决这个问题。
　　在公开征集项⽬中，研究⼈员⾸先提出⼀个问题，向许多⼈征集解决⽅案，然后从解决⽅案中挑选最好的。

　　（二）网飞奖
　　最著名的公开招募项⽬是⽹飞奖。
　　网飞要求⼈们利⽤1亿条电影评分数据来预测300万条评分留存数据（⽹飞没有公布的⽤户评分数据）。第⼀个开发出预测精度⽐电影匹配⾼10%的算法的⼈，将获得100万美元的奖⾦。⽽检验该算法的⽅法就是⽐较其预测评分与⽹飞的留存评分，这⼀明确且易⾏的检验⽅案意味着⽹飞奖的设计遵循了这样的理念：让检验解决⽅案⽐想出解决⽅案更容易。

　　（三）蛋⽩质折叠游戏
　　公开征集项⽬其实也可以让没有接受过正式训练的⼈参与，蛋⽩质折叠游戏就是这样
　　蛋⽩质折叠是将氨基酸链折叠形成⼀定形状的过程。通过更好地理解这⼀过程，⽣物学家可以设计出具有特定形状的、能被⽤作药物的蛋⽩质。简单地说，蛋⽩质的折叠趋向于能量最低的构象，即蛋⽩质内部各种推⼒、拉⼒达到平衡状态时的⼀种结构
　　如果⼀个研究⼈员想要预测蛋⽩质的折叠形状，其做法听起来其实很简单：只需尝试所有可能的构象并计算出每种构象的能量，然后预测蛋⽩质将折叠成能量最低的构象即可。但由于可能的构象有数十亿种，算法远远不够完善。
　　蛋⽩质折叠游戏将蛋⽩质的折叠过程变成了⼀个任何⼈都可以玩的游戏。从玩家的⾓度来看，蛋⽩质折叠游戏就像是⼀个拼图游戏。玩家会看到⼀个杂乱⽆章的蛋⽩质三维结构图，然后通过“调整”、“扭转”和“重组”这些操作来改变它的形状，同时玩家的分数也会因此⽽增加或减少。重要的是，分数是根据当前构象的能量⾼低来计算的，能量越低，得分越⾼。换句话说，分数有助于指导玩家寻找低能量的构象。

　　（四）公众专利评审
　　公众专利评审是一项帮助专利审查员发现现有技术的公开征集项目。它表明公开征集也可以被用于不易量化的问题。
　　⽬前还没有很多社会研究⼈员采⽤公开征集⽅法的例⼦。这是因为公开征集的提问⽅式与社会科学家通常的提问⽅式不太⼀样。社会科学家通常不会问有关预测品位的问题，相反，他们会问不同社会阶层的⼈的⽂化品位为什么会不同以及是如何不同的。像这种“如何”以及“为什么”的问题，其解决⽅案通常都不易于检验，因此似乎不适⽤于公开征集。但最近理论家已经开始呼吁社会科学家重新考虑解释和预测之间的分界线，希望公开征集在社会研究中能变得越来越普遍。

　　四、分布式数据采集
　　（一）观鸟数据库
　　观鸟数据库是⼀个分布式数据采集项⽬，它希望从世界各地的观鸟者那⾥搜集信息，⽬前已经从25万名参与者那⾥收到了2.6亿多份观鸟报告

　　（二）照片城
　　凯瑟琳·图特（Kathleen Tuite）和同事开发了⼀款上传照⽚的游戏“照⽚城”。研究⼈员利⽤照⽚城对康奈尔⼤学和华盛顿⼤学进⾏了三维重建。⾸先，他们上传了某些建筑物的照⽚作为种⼦照⽚。然后，每个校园的玩家会根据重建的现状上传照⽚，如果照⽚有助于重建，玩家就会赢得相应的分数。

　　五、设计你自己的大规模协作项目
　　（一）激励参与者
　　1.最简单的方法是金钱
　　2.许多更复杂的项⽬依靠个⼈价值和集体价值激励参与者。
　　个⼈价值来⾃乐趣和竞争等⽅⾯
　　集体价值则可能来⾃知道⾃⼰正在为⼀件更加伟⼤的事情做贡献

　　（二）利⽤异质性
　　1.参与者主要在以下两个⽅⾯存在着异质性：技能和努⼒程度。
　　2.应该利⽤异质性⽽不是
　　对抗异质性。
　　⾸先，我们没有理由将低技能的参与者排除在外。
　　其次，我们没有理由从每个参与者那⾥搜集固定数量的信息。有的人参与很大，有的人贡献很小。如果你不从⼤头和长尾那⾥采集信息，那么就会留下⼤量未被采集的信息。

　　（三）集中注意⼒
　　如果你已经找到了激励参与者的⽅法，并且能够利⽤在兴趣和技能⽅⾯有很⼤差异的参与者，那么作为⼀个设计者你所⾯临的下⼀个主要挑战就是将参与者的注意⼒集中在最有价值的地⽅。

　　（四）允许惊喜
　　如果你已经成功地让存在异质性的⼈们共同去解决⼀个有意义的科学问题，并已将他们的注意⼒集中到了最有价值的地⽅，那么⼀定要记得留下让他们给你惊喜的空间。

　　（五）合乎道德伦理
　　1.合乎道德伦理这条建议适⽤于本书所描述的所有研究。
　　2.在所有的⼤规模协作项⽬中，报酬和致谢问题都很复杂。
　　3.公开征集和分布式数据采集过程中也会遇到知情同意和隐私⽅⾯的复杂问题。

　　（六）最后的设计建议
　　1.⾸先，当打算组织⼀个⼤规模协作项⽬时，你的第⼀反应可能是“没有⼈会参加的”。当然这可能是真的。但该风险通常是因为思考问题的⽅式不对。
　　许多⼈会先从⾃⼰开始考虑，然后向外扩展：“我很忙，我是不会参与的。⽽且我不知道任何⼈会参与。所以，没有⼈会参与的。”但其实你应该先从所有能连接到互联⽹的⼈开始，然后向内缩⼩，⽽不是先从⾃⼰开始并向外扩展。

　　2.其次，除了难以预测参与度，我还想提醒⼤家，创建⼤规模协作项⽬是有风险的。你投⼊⼤量精⼒构建的系统可能是⼀个没⼈愿意使⽤的系统。
　　可以在投⼊⼤量精⼒开发专门的软件之前，先使⽤现成的软件构建简单的原型，看看能否证明其可⾏性。