Styrkelse af miljødatavidenskab med equity-centrerede tilgange

Miljødatavidenskab og maskinlæring (ML) er i stigende grad afgørende for at håndtere økologiske udfordringer. Imidlertid kan disse teknologier utilsigtet opretholde skævheder, der er til stede i deres træningsdata, hvilket fører til socioøkologiske uligheder. Feltet står over for problemer såsom dataintegritet, algoritmisk bias og modeloverfitting, som kræver en dybere forståelse og mere retfærdige tilgange.

Den aktuelle debat og udvikling på dette område understreger vigtigheden af ​​at indlejre retfærdighed gennem forsknings- og designdomæner for at sikre retfærdige og objektive resultater.

Et paradigmeskift i retning af at integrere socioøkologisk retfærdighed i miljødatavidenskab og maskinlæring (ML) foreslås i en ny perspektivartikel offentliggjort i Grænser for miljøvidenskab og ingeniørvirksomhed .

Forfattet af Joe F. Bozeman III fra Georgia Institute of Technology, understreger artiklen vigtigheden af ​​at forstå og adressere socioøkologisk ulighed for at øge integriteten af ​​miljødatavidenskab.

Denne undersøgelse introducerer og validerer Systemic Equity Framework og Wells-Du Bois Protocol, væsentlige værktøjer til at integrere lighed i miljødatavidenskab og maskinlæring. Disse metoder strækker sig ud over traditionelle tilgange ved at fremhæve socioøkologiske påvirkninger sammen med teknisk nøjagtighed.

Systemic Equity Framework fokuserer på den samtidige overvejelse af fordelingsmæssig, proceduremæssig og anerkendende retfærdighed, hvilket sikrer rimelige fordele for alle samfund, især de marginaliserede. Det opfordrer forskere til at integrere egenkapital gennem hele projektets livscyklus, fra start til implementering.

Wells-Du Bois-protokollen tilbyder en struktureret metode til at vurdere og afbøde skævheder i datasæt og algoritmer, der vejleder forskere til kritisk at vurdere potentiel forstærkning af samfundsmæssig skævhed i deres arbejde, hvilket kan føre til skæve resultater.

"Vores arbejde handler ikke kun om at forbedre teknologien, men at sikre, at den tjener alle retfærdigt," sagde Bozeman. "At inkorporere et equity-objektiv i miljødatavidenskab er afgørende for integriteten og relevansen af ​​vores forskning i den virkelige verden."

Denne forskning fremhæver ikke kun eksisterende udfordringer inden for miljødatavidenskab og maskinlæring, men tilbyder også praktiske løsninger til at overvinde dem. Det sætter en ny standard for udførelse af forskning, der er retfærdig, retfærdig og inklusiv, og baner derved vejen for mere ansvarlig og virkningsfuld miljøvidenskabelig praksis.

Flere oplysninger: Joe F. Bozeman, Styrkelse af integriteten inden for miljødatavidenskab og maskinlæring kræver forståelse af socioøkologisk ulighed, Grænser for miljøvidenskab og -teknik (2024). DOI:10.1007/s11783-024-1825-2

Leveret af TranSpread