論文の概要: Network Analysis of the iNaturalist Citizen Science Community

• arxiv url: http://arxiv.org/abs/2310.10693v1
• Date: Mon, 16 Oct 2023 00:41:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-18 19:46:51.689736
• Title: Network Analysis of the iNaturalist Citizen Science Community
• Title（参考訳）: 自然主義市民科学コミュニティのネットワーク分析
• Authors: Yu Lu Liu and Thomas Jiralerspong
• Abstract要約: 我々は,iNaturalistの市民科学プラットフォームを事例研究として,市民科学プロジェクトの構造を分析する。 我々は、iNaturalistデータを用いて、他の一般的なベンチマークネットワークと比較して異常な構造を持つネットワークを作成することにより、ネットワーク科学研究のための新しいユニークなベンチマークを提案する。
• 参考スコア（独自算出の注目度）: 0.6118897979046375
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, citizen science has become a larger and larger part of the scientific community. Its ability to crowd source data and expertise from thousands of citizen scientists makes it invaluable. Despite the field's growing popularity, the interactions and structure of citizen science projects are still poorly understood and under analyzed. We use the iNaturalist citizen science platform as a case study to analyze the structure of citizen science projects. We frame the data from iNaturalist as a bipartite network and use visualizations as well as established network science techniques to gain insights into the structure and interactions between users in citizen science projects. Finally, we propose a novel unique benchmark for network science research by using the iNaturalist data to create a network which has an unusual structure relative to other common benchmark networks. We demonstrate using a link prediction task that this network can be used to gain novel insights into a variety of network science methods.
• Abstract（参考訳）: 近年、市民科学は科学コミュニティのより大きな部分を占めるようになった。 何千もの市民科学者からデータや専門知識を収集する能力は、非常に有益だ。 この分野の人気が高まっているにもかかわらず、市民科学プロジェクトの相互作用と構造はまだ理解されておらず、分析されていない。 我々は,iNaturalistの市民科学プラットフォームを事例研究として,市民科学プロジェクトの構造を分析する。 iNaturalistのデータを二部ネットワークとしてフレーム化し、視覚化と確立したネットワークサイエンス技術を用いて、市民科学プロジェクトにおけるユーザ間の構造とインタラクションに関する洞察を得る。 最後に、inaturalistデータを用いて、他の一般的なベンチマークネットワークと比較して特異な構造を持つネットワークを構築することにより、ネットワーク科学研究のための新たなユニークなベンチマークを提案する。 リンク予測タスクを用いて,このネットワークを用いて様々なネットワーク科学手法に対する新たな洞察を得ることを実証する。

関連論文リスト

• DeepSpeed4Science Initiative: Enabling Large-Scale Scientific Discovery through Sophisticated AI System Technologies [116.09762105379241]
  DeepSpeed4Scienceは、AIシステム技術革新を通じてユニークな機能を構築することを目指している。 我々は、構造生物学研究における2つの重要なシステム課題に対処するために、DeepSpeed4Scienceで行った初期の進歩を紹介した。
  論文  参考訳（メタデータ） (2023-10-06T22:05:15Z)
• Physics-Guided, Physics-Informed, and Physics-Encoded Neural Networks in Scientific Computing [0.0]
  コンピュータパワーの最近の進歩は、機械学習とディープラーニングを使って科学計算を進歩させることを可能にした。 固有のアーキテクチャのため、従来のニューラルネットワークは、データがスパースである場合には、うまくトレーニングされ、スコープ化できない。 ニューラルネットワークは、物理的駆動あるいは知識に基づく制約を消化するための強力な基盤を提供する。
  論文  参考訳（メタデータ） (2022-11-14T15:44:07Z)
• Modeling Information Change in Science Communication with Semantically Matched Paraphrases [50.67030449927206]
  SPICEDは、情報変化の度合いに注釈を付けた科学的な発見の最初のパラフレーズデータセットである。 SPICEDには、ニュース記事、ソーシャルメディアの議論、オリジナル論文の全文から抽出された6000の科学的発見ペアが含まれている。 SPICEDで訓練されたモデルは、実世界の科学的主張の事実チェックのための証拠検索において下流のパフォーマンスを改善する。
  論文  参考訳（メタデータ） (2022-10-24T07:44:38Z)
• KnowledgeShovel: An AI-in-the-Loop Document Annotation System for Scientific Knowledge Base Construction [46.56643271476249]
  KnowledgeShovelは、研究者が科学的知識基盤を構築するための、Al-in-the-Loop文書アノテーションシステムである。 KnowledgeShovelの設計では、多段階のマルチモーダルAIコラボレーションパイプラインを導入し、データの正確性を向上し、人的負担を軽減する。 7つの地学研究者によるフォローアップユーザ評価では、知識ショベルは、十分な精度で科学的知識ベースを効率的に構築できることを示している。
  論文  参考訳（メタデータ） (2022-10-06T11:38:18Z)
• A Computational Inflection for Scientific Discovery [48.176406062568674]
  我々は科学的な発見の軌跡において、かなりの屈折の足元に立っている。 社会が急速に成長するデジタルトランスフォーメーションを継続するにつれて、人類の集団的な科学的知識も同様である。 コンピュータ科学は科学プロセス自体に革命を起こそうとしている。
  論文  参考訳（メタデータ） (2022-05-04T11:36:54Z)
• Semantic and Relational Spaces in Science of Science: Deep Learning Models for Article Vectorisation [4.178929174617172]
  我々は、自然言語処理(NLP)とグラフニューラルネットワーク(GNN)を用いて、記事の意味的・関係的な側面に基づく文書レベルの埋め込みに焦点を当てる。 論文のセマンティックな空間をNLPでエンコードできるのに対し、GNNでは研究コミュニティの社会的実践をエンコードするリレーショナルな空間を構築することができる。
  論文  参考訳（メタデータ） (2020-11-05T14:57:41Z)
• NAS-Navigator: Visual Steering for Explainable One-Shot Deep Neural Network Synthesis [53.106414896248246]
  本稿では,分析者がドメイン知識を注入することで,解のサブグラフ空間を効果的に構築し,ネットワーク探索をガイドするフレームワークを提案する。 このテクニックを反復的に適用することで、アナリストは、与えられたアプリケーションに対して最高のパフォーマンスのニューラルネットワークアーキテクチャに収束することができる。
  論文  参考訳（メタデータ） (2020-09-28T01:48:45Z)
• The Right Tools for the Job: The Case for Spatial Science Tool-Building [0.0]
  本稿では,ワシントンD.C.で開催されるアメリカ地理学会年次会合において,GISの年次取引について紹介する。 この問題に対処するためのツールであるOSMnxの開発動機、経験、成果について論じている。 この論文は、オープンソースソフトウェアと再利用可能な計算データ科学を強調し、これからの道のりで締めくくっている。
  論文  参考訳（メタデータ） (2020-08-12T20:15:39Z)
• Deep Learning for Community Detection: Progress, Challenges and Opportunities [79.26787486888549]
  この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。 この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。
  論文  参考訳（メタデータ） (2020-05-17T11:22:11Z)
• Augmented reality as a tool for open science platform by research collaboration in virtual teams [0.0]
  オープンサイエンスの規定は、欧州研究領域(ERA)の実施を妨げる障壁を克服するための一般的な政策として定義される。 学者のコミュニティのために共有資源を管理することは、社会の利益を最大化する。 オープンサイエンスのクラウドの構造には、オープンサイエンスプラットフォームとしての拡張現実が含まれていることが示されている。
  論文  参考訳（メタデータ） (2020-02-28T07:32:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。