研究人员正在使用一种叫做情绪分析的机器学习来评估野生动物保护的成败。在他们的研究中，研究人员在《模式》年3月19日发表(研究人员正在使用一种叫做情绪分析的机器学习来评估随着时间的推移野生动物保护的成败。在他们的研究中，研究人员于3月19日将其发表在《模式》(细胞出版社的新开放数据科学期刊)上。研究人员评估了过去四十年中进行的4000多项物种再引入研究的摘要，发现总体而言，我们的状况有所改善。善于将物种重新引入野外。他们表示，机器学习可以用于这一领域和其他领域，从不断增长的科学研究中确定最佳技术和解决方案。
资深作者凯尔范侯坦(Kyle Van Houtan)说，“我们想从大量保护生物学文献中学习一些关于放归计划的经验。我们可以尝试把他们带回加州几十年来从未漫游过的地方。”蒙特雷湾水族馆首席科学家。“但摆在我们面前的是数百万字、数千份手稿。我们想知道如何从它们中提取我们实际可以分析的数据，所以我们转向自然语言处理。”
自然语言处理是一种机器学习，它通过分析人类语言字符串来提取可用信息。本质上，它允许计算机像人类一样阅读文档。研究人员在本文中使用的情感分析更具体地看一组训练有素的单词，这些单词被赋予积极或消极的情感值，以评估整个文本的积极或消极性。
研究人员使用科学网数据库确定了1987年至2016年发表的4313项物种引入研究，并提供了可搜索的摘要。然后，他们使用了几本“现成的”情感分析词典(即其中的单词已经根据电影和餐馆评论等被赋予了情感分数。)来构建一个可以为每个摘要提供总体分数的模型。范侯坦说，“我们不必训练模型，所以在运行几个小时后，我们一下子就有了所有这些结果。”“随着时间的推移，分数给了我们一个趋势，我们可以查询结果，了解我们对大熊猫或加州秃鹰或珊瑚礁研究的看法。”
他们看到的趋势表明，保护工作取得了更大的成功。他说，“随着时间的推移，研究中情感评价的不确定性会越来越小。我们已经看到重新引入项目变得更加成功，这是一个巨大的收获。”“纵观数千项研究，似乎我们做得更好，这令人鼓舞。”
该研究的合著者、微软首席环境官卢卡斯乔帕(Lucas Chopa)表示，“如果我们想最大限度地利用保护资金，那么我们需要能够快速评估哪些有效，哪些无效。”“机器学习，特别是自然语言处理，有能力筛选结果，并阐明其他人可以学习的成功故事。”
为了确保他们结果的准确性，研究人员查看了结果中最常见的积极情绪指标(从而发现了保护成功)，发现了成功、保护、成长、支持、帮助和受益。表达负面情绪的词语包括威胁、损失、风险、威胁、问题和杀戮。这些话和他们作为长期保护生物学家的话是一致的，通常用来表示自己研究的成败。他们还发现，情绪分析所描述的特定放归计划的趋势是成功或失败(例如，加州秃鹰的放归)，这与已知的结果一致。
研究人员表示，现成的情绪分析对他们来说出奇地有效。这可能是因为保护生物学中使用的许多单词是我们日常词典的一部分，因此它们被准确地编码了适当的情绪。在其他领域，他们认为需要做更多的工作来开发和训练情感模型，这些模型可以准确地编码更多的技术和领域特定的语言和语法。他们说，另一个限制是，他们试图分析的论文中只有少数是开放获取的，这意味着他们必须评估摘要而不是完整的论文。范侯坦说：“我们实际上只是触及了表面，但这绝对是朝着正确方向迈出的一步。”
他们仍然认为这是一项可以而且应该更广泛地应用于保护生物学和其他领域的技术，从而理解目前正在进行和发表的大量研究。约帕说，“全球保护界没有注意到许多地方保护工作，这篇文章证明了机器学习如何帮助缩小信息差距。”
标签：
免责声明：本文由用户上传，如有侵权请联系删除！