Samfundets kollektive intelligens hjalp med at bekæmpe COVID, nu kan den også bekæmpe fremtidige kriser

En Global Pandemic Radar skal oprettes for at opdage nye COVID-varianter og andre nye sygdomme. ledet af WHO, projektet har til formål at opbygge et internationalt netværk af overvågningscentre, sat op til at dele data, der vil hjælpe os med at overvåge vaccineresistens, spore sygdomme og identificere nye, efterhånden som de dukker op.

Dette er unægtelig en god ting. Måske mere end nogen begivenhed i nyere tid, COVID-pandemien har bragt betydningen af ​​at samle samfundets kollektive intelligens og finde nye måder at dele den kombinerede viden på så hurtigt som muligt.

På det enkleste, kollektiv intelligens er den forbedrede kapacitet, der skabes, når forskellige grupper af mennesker arbejder sammen, ofte ved hjælp af teknologi, at mobilisere mere information, ideer og viden til at løse et problem. Digitale teknologier har transformeret, hvad der kan opnås gennem kollektiv intelligens i de senere år – og forbinder flere af os, at øge menneskelig intelligens med maskinintelligens, og hjælper os med at generere ny indsigt fra nye datakilder.

Så hvad har vi lært i løbet af de sidste 18 måneder af kollektiv efterretningssamling, der kan informere Global Pandemic Radar? Ud fra COVID-krisen, hvilke erfaringer vil hjælpe os med at perfektionere sygdomsovervågning og reagere bedre på fremtidige kriser?

Folk vil gerne hjælpe videnskabsmænd

At reagere på nye og nye trusler kræver nye metoder til hurtigt at udfylde huller i data og beviser. Kollektive intelligensmetoder som borgervidenskab har været meget brugt i miljøsektoren i årevis, men kyndige videnskabsmænd så hurtigt muligheden for at implementere disse og andre tilgange for at udnytte offentlighedens appetit til at bidrage til COVID-19-responsen.

Før lægerne havde adgang til masseprøver i samfundet eller nøjagtige prognoser, for eksempel, data leveret af offentligheden var en værdifuld tidlig kilde til information. For eksempel, forskere ved King's College London udviklede hurtigt COVID Zoe symptom tracker app, hvortil over 4,6 millioner mennesker har bidraget med deres symptomer siden marts 2020. Disse data spillede en afgørende rolle i at hjælpe os med at forstå, hvordan virussen påvirker forskellige grupper af mennesker, afsløre de mange forskellige COVID-19-symptomer, folk har oplevet.

Selv spillere har spillet deres rolle bag kulisserne. Project Discovery beskrives som et borgervidenskabs-minispil, ", hvor spillere udforsker det ydre rum, mens de tegner polygoner rundt om klynger af celler. De cellepopulationer, de sporer rundt om, er fra flowcytometridata, som normalt ville blive grundigt gennemgået af videnskabsmænd for at se, hvordan en COVID-infektion påvirker forskellige celletyper. Over 327, 000 spillere har deltaget siden juni 2020, sparer videnskabsmænd for anslået 330 års forskning.

Måske mere synligt, vaccineudviklingsindsatsen er også blevet drevet af frivillige. Over 500, 000 mennesker meldte sig til Storbritanniens frivillige tjeneste for COVID-vaccinestudier.

Videnskabelig uddannelse og forskningsfinansiering er normalt ikke rettet mod offentlig deltagelse og samarbejde. Det betyder, på trods af potentialet, offentligheden er typisk udelukket fra deltagelse i videnskabelig forskning. Ændring af dette kan hjælpe os med at flytte urskiven til at forhindre den næste pandemi og tackle en lang række af vores andre komplekse udfordringer, såsom klimaændringer.

Giver mening ud af for meget data

Sideløbende med denne stigning i borgervidenskab, 2020 var også et bumperår for videnskabelig forskning, se en stigning på 15 % i papirindsendelser. Over 475, 000 COVID-relaterede papirer og pre-prints er blevet delt online fra juni 2021.

Denne febrilske videnskabelige rapportering, især intens inden for sundhed og medicin, har rejst bekymringer om kvalitetskontrol. Traditionelle processer for peer review er kommet under pres, med papirer, der i stigende grad udgives som fortryk, før de er blevet peer reviewed. I mellemtiden beslutningstagere står over for udfordringen med at finde de mest relevante ressourcer i lyset af informationsoverbelastning.

Den kollaborative sundhedsevidensdatabase, Epistemonikos, giver en vis lindring af disse udfordringer. Den bruger en kombination af maskinlæringsalgoritmer og crowd-validering til at identificere alle de kliniske systematiske anmeldelser relateret til den søgeforespørgsel, som brugeren indtaster.

I fortiden, det blev brugt af politiske beslutningstagere i Chile til at fremskynde processen med folkesundhedslovgivning. Siden 2020, holdet bag Epistemonikos har identificeret mere end 6, 000 systematiske anmeldelser relateret til COVID-19 i deres database. At fremhæve disse har hjulpet sundhedsprofessionelle og beslutningstagere med at finde det, de leder efter, midt i støjen.

Det er ikke kun videnskabelig forskning, der har vist sig at være svær at forstå. Strømmen af ​​data om pandemien har også krævet omhyggelig sammenstilling, da det ofte kommer fra flere kilder og er spredt ud over forskellige websteder og åbne databaser, hvoraf mange følger forskellige standarder og formater. Data om en krise er kun nyttige, hvis de er syntetiseret og præsenteret på måder, som beslutningstagere kan forstå.

En retrospektiv undersøgelse viste, hvordan Google-søgninger med pandemi-relaterede søgeord, som "lungebetændelse, " kunne have været brugt til at opdage de tidlige advarselstegn på spredning af COVID-19 i Europa. Det samme resultat blev nået ved hjælp af Twitter-data, og kunne i fremtiden nås med data fra bærbar teknologi. For nu, disse nye datakilder er ikke integreret i en bredere overvågningsindsats, men at gøre det kan hjælpe regeringer med at blive bedre til at forudse kriser i fremtiden.

I USA, fraværet af et offentligt tilgængeligt system til at samle COVID-relaterede data førte til oprettelsen af ​​COVID-sporingsprojektet. Et samfund på over 300 frivillige indsamlede, kuraterede og analyserede datakilder for at producere den mest omfattende offentlige kilde til information om COVID i USA. Deres indsats hjalp med at behandle underrapporterede data om personer i langtidspleje og forekomsten af ​​COVID organiseret efter race og etnicitet.

Imidlertid, endnu et lovende pandemiinitiativ, projektet Collective and Augmented Intelligence Against COVID-19 (CAIAC), undlod at komme fra jorden, trods støtte fra UNESCO og Stanford Institute for Human-Centered Artificial Intelligence. Lektionen:Produktiv kombination af menneskelig og maskinel intelligens kan hjælpe os med at håndtere overvældende mængder data, men det er ikke nemt. Oprettelse og vedligeholdelse af nye globale datainfrastrukturer tager tid, indsats og betydelige investeringer.

Mangfoldighed øger den kollektive intelligens

Der er mere, vi kan gøre for at udnytte den kollektive intelligens korrekt, når vi står over for fremtidige kriser. Flere data hjælper bestemt, og dem, der organiserer disse data, kan hjælpe med at sende dem frem for vigtige beslutningstagere så hurtigt som muligt. Men hvem der træffer beslutningerne betyder også noget.

Med verden overrumplet, Det ser ud til, at beslutningstagningen om COVID-19 fulgte den sædvanlige modus operandi med at udelukke stemmer fra kvinder og minoriteter. En analyse af 115 COVID-19 beslutningstagning og ekspert task forces fra 87 lande, inklusive Storbritannien og USA, fandt ud af, at kun 3,5 % havde kønsparitet i deres medlemskab, mens 85,2% var majoritetsmænd. Ville den uforholdsmæssige indvirkning af COVID-19 på sorte og etniske minoritetssamfund og kvinder have været lige så alvorlig, hvis disse ekspertgrupper havde været mere forskellige?

Den kollektive intelligenslitteratur har længe peget på potentialet i mangfoldighed i problemløsning, men disse positive effekter kan kun realiseres, hvis institutionerne aktivt opsøger en række forskellige stemmer. Uden at finde bedre måder at bringe forskellige perspektiver ind i beslutningstagningen, vi kommer ikke til at blive for begejstrede for, hvordan fordelene ved Global Pandemic Radar, og andre fremtidige bestræbelser på at samle data og intelligens, vil kunne mærkes.

Mens COVID har løftet AI-aktiveret modellering til hjertet af regeringens beslutninger, der er stadig lang vej igen, før disse modeller er tilgængelige for almindelige mennesker – noget, der kan hjælpe med at diversificere beslutningstagningen. Det er her, mere kreative deltagende metoder, rettet mod at hjælpe medlemmer af offentligheden med at udforske konsekvenserne af politiske beslutninger og kollektiv adfærd, kan have en rolle at spille.

Corona Minister-spillet giver folk mulighed for at udforske konsekvenserne af forskellige politiske indgreb, når de navigerer i afvejninger mellem folkesundhed, økonomi og borgerrettigheder. Andre steder, forskere i Danmark har skabt en VR-spiloplevelse, hvor borgere navigerer gennem overfyldte scener og forsøger at undgå smitte. Formålet med oplevelsen er at hjælpe deltagerne med at engagere sig i kompleksiteten af ​​sygdomsspredning og den rolle, som vaccination spiller.

At gøre fremskridt i, hvordan vi effektivt kan tænke, beslutte og handle sammen er et område, der næsten ikke modtager forskningsinvesteringer. Vi tror, ​​at bruge AI til at få mest muligt ud af den distribuerede kollektive intelligens af store, forskellige grupper er en vigtig grænse for innovation, og en kæmpe mulighed for at forberede befolkningen på en fremtidig krise.

Invester i bottom-up tiltag

Fra ebola til COVID, vi har gang på gang lært, at kriser kræver både top-down og bottom-up reaktioner. Så selvom Global Pandemic Radar er et stort skridt fremad, regeringer, der er seriøse omkring kriseforebyggelse og -respons, skal begynde at støtte de digitale og sociale infrastrukturer, der gør det muligt for lokalsamfund at handle intelligent selv.

I 2020, vi så, hvordan eksisterende systemer for samfundsindsats var i stand til at dreje hurtigt for at fokusere på COVID-19. En af dem var MetaSUB, et globalt projekt til at bygge mikrobielle portrætter af bytransitsystemer, der har eksisteret siden 2015. Med et netværk af frivillige og videnskabsmænd i over 100 byer, de tager regelmæssige podninger fra tog og rulletrapper, at teste de patogener, de finder, for eventuelle markører for antibiotikaresistens.

Pandemien så dem hurtigt oprette MetaCOV-projektet, anvender deres tidligere metode til at se, hvordan mikrobielle prøver ændrede sig under pandemien. Deres data hjalp med at vise, at jo længere COVID-19 var på en overflade, jo mindre sandsynligt var det at gøre nogen syg.

Så er der FluCast-prognosesystemet, som har udnyttet "mængdernes visdom" for at forudsige sæsonbestemte influenzatendenser for de amerikanske centre for sygdomsbekæmpelse siden 2015. Systemet blev hurtigt omdannet til COVIDCast i 2020, som er afhængig af åbne datakilder og deltagelse af frivillige. COVIDCast tilbyder nu realtidsdata på tværs af en række indikatorer – inklusive maskebæring og COVID-relaterede besøg hos læger – for at forudsige regionale stigninger i COVID-infektioner og hospitalsindlæggelser.

At disse systemer allerede var til stede og forbundet betød, at de hurtigt kunne implementeres til at opfylde presserende nye krav. Mange samfundsledede svar har, selvfølgelig, viste sig at spille en afgørende rolle uden nogen eksisterende institutionel støtte, såsom grupper, der skaber PPE til kriseramte hospitaler, og lokalsamfund i Indien og Nepal sporer iltforsyninger og tilgængelighed af hospitalssenge. Mange af disse nye grupper bør støttes, så de kan mobilisere hurtigt i fremtidige nødsituationer.

Oven i købet, større proaktive investeringer, efter ledelse af organisationer som Omidyar Network, skal nu rettes mod samfundets infrastruktur. Og statslige institutioner bør erkende, at det i øjeblikket er for svært for samfundsprojekter at forbinde til institutioner. Hvis de er udelukket fra den formelle planlægning, sådanne grupper kan ikke tilbyde deres kollektive intelligens til det kollektive bedste.

Udnyttelse af kollektiv intelligens

Når det er bedst, kollektiv intelligens kan hjælpe os med at reagere på kriser med større tillid, klarhed og samarbejde. Men vi er nødt til at begynde at bygge og forstærke disse ordninger og systemer nu – før den næste krise.

Pandemien har været hård. Men det har også sat vores kollektive intelligens under søgelyset, hvad enten det er gennem nabolags WhatsApp-grupper eller international videnskabelig forskning. Mens vi bevæger os mod COVID-genopretning, vi satser på nye initiativer som Global Pandemic Radar, vi skal sikre, at disse lektioner ikke bliver glemt. Vi skal nu investere i den kombinerede kraft af data, teknologi og mennesker, som vil hjælpe os med at undgå det næste udbrud og imødegå samfundets næste store krise.

Denne artikel er genudgivet fra The Conversation under en Creative Commons-licens. Læs den originale artikel.