Укрепление экологической науки о данных с помощью подходов, ориентированных на справедливость

Экологическая наука о данных и машинное обучение (ML) становятся все более важными для решения экологических проблем. Однако эти технологии могут непреднамеренно усугублять предвзятость, присутствующую в обучающих данных, что ведет к социально-экологическому неравенству. В статье, опубликованной в Frontiers of Environmental Science & Engineering, предлагается смена парадигмы в сторону интеграции принципов социально-экологической справедливости в эти области.

Автор работы, Джо Ф. Бозман III из Технологического института Джорджии, подчеркивает, что понимание и устранение такого неравенства необходимо для повышения целостности экологической науки о данных. Исследование представляет и валидирует два ключевых инструмента: Системную структуру справедливости и Протокол Уэллса-Дюбуа. Эти методологии выходят за рамки традиционных подходов, уделяя равное внимание социально-экологическим последствиям и технической точности.

Системная структура справедливости фокусируется на одновременном учете распределительной, процедурной и признающей справедливости, гарантируя справедливые выгоды для всех сообществ, особенно маргинализированных. Протокол Уэллса-Дюбуа предлагает структурированный метод для оценки и смягчения предвзятости в наборах данных и алгоритмах. «Наша работа заключается не только в улучшении технологий, но и в обеспечении того, чтобы они справедливо служили всем», — заявил Бозман.

Это исследование не только выявляет существующие проблемы в экологической науке о данных и машинном обучении, такие как целостность данных, алгоритмическая предвзятость и переобучение моделей, но и предлагает практические решения для их преодоления, задавая новый стандарт для проведения более ответственных и инклюзивных исследований.