محققان از نوعی یادگیری ماشینی استفاده می کنند که به عنوان آنالیز احساسات شناخته می شود تا موفقیت ها و شکست های حفظ حیات وحش را در طول زمان ارزیابی کند. محققان در مطالعه خود که در 19 مارس در Patterns ظاهر شد - یک مجله علمی دسترسی جدید به داده ها از Cell Press - محققان چکیده های بیش از 4000 مطالعه درباره تولید مجدد گونه ها را در طی چهار دهه ارزیابی کردند و دریافتند که ، به طور کلی ، ما در حال بهتر شدن هستیم. در بازگرداندن گونه های وحشی بهتر است. آنها می گویند که یادگیری ماشینی می تواند در این زمینه و دیگران برای شناسایی بهترین تکنیک ها و راه حل ها از بین حجم رو به رشد تحقیقات علمی استفاده شود.
کایل وان هوتن ، نویسنده ارشد می گوید: "ما می خواستیم درسهایی از مطالب گسترده ادبیات زیست شناسی حفاظت در مورد برنامه های تولید مجدد که می توانیم در اینجا در کالیفرنیا استفاده کنیم ، یاد بگیریم. دانشمند ارشد آکواریوم خلیج مونتری. "اما آنچه در مقابل ما نشسته بود میلیون ها کلمه و هزاران نسخه خطی بود. ما تعجب کردیم که چگونه می توانیم داده هایی را از آنها استخراج کنیم که بتوانیم واقعاً آنالیز کنیم. بنابراین به پردازش زبان طبیعی روی آوردیم."
پردازش زبان طبیعی نوعی یادگیری ماشینی است که رشته های زبان بشر را برای استخراج اطلاعات قابل استفاده تجزیه و تحلیل می کند ، در اصل به کامپیوتر اجازه می دهد اسناد مانند یک انسان را بخواند. تجزیه و تحلیل احساساتی ، که محققان در این مقاله از آنها استفاده کرده اند ، به طور خاص به مجموعه ای از کلمات آموزش دیده که ارزش عاطفی مثبت یا منفی برای ارزیابی مثبت یا منفی متن در کل اختصاص داده اند ، نگاه می کند.
محققان از پایگاه داده وب علوم (Science of Science) برای شناسایی 4313 مورد مطالعات تولید مجدد گونه های منتشر شده از 1987 تا 2016 با چکیده های جستجو استفاده کردند. سپس آنها از چندین واژگان تجزیه و تحلیل احساسات "خارج از قفسه" استفاده کردند - به این معنی که کلمات موجود در آنها قبلاً براساس چیزهایی مانند بررسی فیلم و رستوران - نمره احساساتی را به آنها اختصاص داده بود تا مدلی را بسازند که بتواند یک امتیاز کلی را به هر انتزاعی بدهد. ون هوتان می گوید: "ما مجبور نبودیم مدل ها را آموزش دهیم ، بنابراین پس از چند ساعت اجرای آنها ، همه ما ناگهان همه این نتایج را در اختیار داشتیم." "این نمرات به مرور زمان روند ما را به وجود آورد و ما می توانیم از نتایج تحقیق پرسیده شویم تا ببینیم این احساسات با مطالعات مربوط به پانداها یا کاندوره های کالیفرنیا یا صخره های مرجانی در ارتباط است."
روندهایی که آنها دیدند ، موفقیت بیشتری در زمینه حفاظت از خود نشان می دهد. او می گوید: "با گذشت زمان ، عدم اطمینان بسیار کمی در ارزیابی احساسات در مطالعات وجود دارد ، و ما می بینیم که پروژه های بازگرداندن موفقیت آمیز تر می شوند - و این یک مرحله فرسوده بزرگ است." "با نگاهی به هزاران مطالعه ، به نظر می رسد که در حال بهتر شدن هستیم و این دلگرم کننده است."
لوکاس جوپا ، مدیر ارشد محیط زیست در مایکروسافت ، می گوید: "اگر ما می خواهیم دلارهای حفاظت خود را به حداکثر برسانیم ، بنابراین باید بتوانیم به سرعت ارزیابی کنیم که چه عواملی مؤثر است و چه کارهایی انجام نمی شود. "یادگیری ماشینی و به طور خاص پردازش زبان طبیعی این توانایی را دارد که بتواند از نتایج بدست بیاورد و چراغانی را در مورد داستانهای موفقیت آمیز ببندد که دیگران می توانند از آنها بیاموزند."
برای اطمینان از صحت نتایج آنها ، محققان در نتایج خود به رایج ترین شاخص های احساس مثبت (و بنابراین موفقیت در امر حفظ امنیت) رسیدند و کلماتی مانند "موفقیت" ، "محافظت" ، "رشد" ، "پشتیبانی" ، "کمک" یافتند. "و" بهره "؛ کلماتی که احساسات منفی را نشان می داد عبارت هایی از "تهدید" ، "ضرر" ، "خطر" ، "تهدید" ، "مشکل" و "کشتن" بودند. این کلمات مطابق با آنچه که آنها ، به عنوان زیست شناسان حفاظت طولانی مدت هستند ، معمولاً برای نشان دادن موفقیت و عدم موفقیت در مطالعات خود به کار می رود. آنها همچنین دریافتند که روندهای توصیف شده توسط تجزیه و تحلیل احساسات برای برنامه های خاص برای معرفی مجدد ، موفقیت یا عدم موفقیت (مانند بازگرداندن کاندیدای کالیفرنیا) با نتایج شناخته شده مطابقت دارد.
محققان می گویند که تحلیل احساسات خارج از قفسه برای آنها به طرز شگفت آوری خوب عمل کرده است ، به احتمال زیاد زیرا بسیاری از کلماتی که در زیست شناسی حفاظت استفاده می شود جزئی از واژگان روزمره ما هستند و به همین دلیل با احساسات مناسب کدگذاری شده اند. در زمینه های دیگر ، آنها فکر می کنند که باید کار بیشتری انجام شود تا بتواند مدلی را تهیه کند که بتواند احساسات زبان ، و نحو فنی ، فنی و خاص تر را کدگذاری کند . به گفته آنها ، محدودیت دیگر این است که فقط تعداد محدودی از مطالبی که می خواستند آنالیز کنند ، دسترسی آزاد بودند و این بدان معناست که آنها باید به جای کامل مقالات ، ارزیابی های خلاصه را ارزیابی کنند. ون هوتان می گوید: "ما واقعاً فقط سطح را در اینجا خراش می دهیم ، اما این قطعاً گامی در جهت درست است."
با این وجود ، آنها فکر می کنند که این تکنیکی است که می تواند و باید بطور گسترده تری در زیست شناسی حفاظت و سایر زمینه ها به کار گرفته شود تا از تحقیقات گسترده ای که اکنون انجام شده و منتشر شده است ، استفاده کند. ژوپا می گوید: "اینقدر کارهای حفاظت از محلی توسط جامعه جهانی حفاظت بی توجه می ماند و این مقاله نشان می دهد که چگونه یادگیری ماشینی می تواند به بستن آن فاصله اطلاعات کمک کند."
Van Houtan می گوید: "بسیاری از این تکنیک ها بیش از یک دهه است که در تنظیمات تجاری مورد استفاده قرار می گیرند ، اما ما امیدواریم که آنها را برای تغییر در شرایط جوی یا آلودگی های پلاستیکی یا ارتقاء حفاظت از گونه های در معرض خطر در معرض تغییر قرار دهند." وی گفت: "تعداد زیادی داده وجود دارد که در نوک انگشتان ماست ، اما این غول خواب است زیرا به صورت صحیح و منظم انجام نشده است ، و این باعث می شود تجزیه و تحلیل چالش برانگیز باشد. ما می خواهیم افراد را با ایده ها ، ظرفیت ها و راه حل های فنی ارتباط برقرار کنیم. در غیر این صورت روبرو می شویم بنابراین می توانیم پیشرفت هایی را برای این مشکلات به ظاهر غیرقابل تحقق انجام دهیم. "
- ۹۹/۰۲/۲۷