fa یادگیری ماشین و علوم شهروندی؛ فرصتها و چالش‌های تعامل انسان و رایانه عمومى General پژوهشي Research <div style="text-align: justify;"><span style="font-family:Tahoma;"><strong><span style="font-style:normal;"><span style="color:black;"><span style="font-size:10.0pt;">هدف:</span></span></span></strong> <span style="font-style:normal;"><span style="font-size:10.0pt;">در عصر کلان‌داده، دانشمندان با کار طاقت‌فرسای تحلیل انبوهی از داده‌ها مواجهند و استفاده از تکنیک‌های یادگیری ماشین یکی از راه‌حل‌های احتمالی برای حل این معضل است. علوم شهروندی از حوزه‌هایی است که هوش انسانی و مصنوعی را می‌توان برای تسهیل در این امور به طرق مختلف با هم ترکیب کرد. این مقاله، با توجه به ابهامات موجود در عملکرد ماشین و مدیریت داده‌های تولیدشده توسط کاربر، به توضیح چگونگی سازگاری یادگیری ماشین با ایده‌ی شهروندی فعال و شرایط لازم برای پیشرفت در علوم شهروندی و فراتر از آن می‌پردازد.</span></span><br> <strong><span style="font-style:normal;"><span style="font-size:10.0pt;">روش: </span></span></strong><span style="font-style:normal;"><span style="font-size:10.0pt;">این پژوهش به روش مروری و بر اساس مطالعه جامع و نظام‌مند</span></span><span style="font-style:normal;"><span style="font-size:10.0pt;"> متون</span></span><span style="font-style:normal;"><span style="font-size:10.0pt;"> مرتبط با یادگیری ماشین، علوم شهروندی و تعامل انسان و رایانه انجام شده است.</span></span><br> <strong><span style="font-style:normal;"><span style="font-size:10.0pt;">یافته‌ها:</span></span></strong><span style="font-style:normal;"><span style="font-size:10.0pt;"> بسیاری از مشکلات تحقیقاتی از نظر محاسباتی لاینحل به نظر می‌رسند و به مهارت‌های شناختی انسان نیاز دارند. لذا در نتیجه‌ی فعالیت‌های طبقه‌بندی‌ای که اکثراً در پروژه‌های علوم شهروندی با مقیاس بزرگ انجام می‌شود، علاوه بر مشارکت‌کننده که احتمالاً مطالبی درباره‌ی علم می‌آموزد، ماشین نیز با آموختن مطالبی درباره‌ی فعالیت‌های انسان ابتدا از آن تقلید می‌کند و به مرور میزان یادگیری آن افزایش می‌یابد. اما در عین حال گسترش استفاده‌ از هوش مصنوعی و به‌ویژه یادگیری ماشین بحث‌های زیادی درباره‌ی اشکال مختلف ابهامات و سوگیری‌های ناشی از آن‌ها به دنبال داشته است که در پروژه‌های مرتبط نیاز به توجه جدی دارد.</span></span><br> <strong><span style="font-style:normal;"><span style="font-size:10.0pt;">نتیجه</span></span></strong><strong><span style="font-style:normal;"><span style="font-size:10.0pt;">‌</span></span></strong><strong><span style="font-style:normal;"><span style="font-size:10.0pt;">گیری: </span></span></strong><span style="font-style:normal;"><span style="font-size:10.0pt;">استفاده از تکنیک‌های یادگیری ماشین مزایای زیادی دارد، که از آن جمله می‌توان به کاهش زمان طبقه‌بندی و ارزیابی کارشناسانه‌ی تصمیم‌گیری در مجموعه‌های بزرگی از داده اشاره کرد. با این ‌حال، الگوریتم‌ها‌ غالباً به منزله‌ی جعبه‌‌ی سیاهی هستند که سوگیری‌های داده در نگاه اول در آن‌ها قابل مشاهده نیست و توجه به این امر می‌تواند از مخاطرات جدی در روند استفاده ازین تکنیک‌ها بکاهد. </span></span></span></div> <strong>Background and Aim: </strong>In processing large data, scientists have to perform the tedious task of analyzing hefty bulk of data. Machine learning techniques are a potential solution to this problem. In citizen science, human and artificial intelligence may be unified to facilitate this effort. Considering the ambiguities in machine performance and management of user-generated data, this paper aims to explain how machine learning can be combined with the active citizenship concept. In addition, it discusses the necessary conditions for advancing the citizen science and beyond.<br> <strong>Method: </strong>The review method and comprehensive systematic study was applied to assess the concept of machine learning, citizen science and human-computer interaction.<br> <strong>Results:</strong> Many research problems seem to be computationally insolvable and may demand human cognitive skills. Therefore, due to classification activities which are performed in the majority of large-scale citizenship science projects, in addition to participants who may learn lessons about the science, machines also learn lessons about human and imitate him and slowly its learning capacity enhances over time. Artificial intelligence, particularly machine learning is a debatable topic with related ambiguities and biases which should strongly take into consideration. <span dir="RTL"></span><br> <strong>Conclusion:</strong> The application of machine learning techniques carries many advantages including classification time cut and masterful evaluations in the process of making decisions on big data sets. However, algorithms usually act as a black box where data biases are not observable at first glance. Taking this problem into consideration may mitigate serious risks arising from the application of such techniques. علوم شهروندی, یادگیری ماشین, هوش مصنوعی, بینایی کامپیوتر, شفافیت, داده‌سازی. Artificial Intelligence, Citizenship Sciences, Computer Vision, Data Generation, Machine Learning, Transparency. 15 28 http://hii.khu.ac.ir/browse.php?a_code=A-10-835-1&slc_lang=fa&sid=1 Maryam Abolghasemi مریم ابوالقاسمی mary.abolghasemi@ut.ac.ir 10031947532846005039 10031947532846005039 Yes University of Tehran گروه علم اطلاعات و دانش‌شناسی، پردیس بین‌المللی کیش، دانشگاه تهران، تهران، ایران. Fatemeh Fahimnia فاطمه فهیم‌نیا fahimnia@ut.ac.ir 10031947532846005040 10031947532846005040 No University of Tehran گروه علم اطلاعات و دانش‌شناسی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران.