Czy dane będą wiarygodne?
Mogą być – jeśli projekt jest do tego zaprojektowany. Jakość danych zależy przede wszystkim od protokołu, szkolenia, walidacji i analizy, a nie od tego, czy pomiar wykonał profesjonalista.
Co mówią badania
- Rosnąca liczba publikacji pokazuje, że różne typy projektów nauki obywatelskiej mogą dostarczać danych o dokładności równej lub wyższej niż dane profesjonalistów. Każdy zbiór danych należy oceniać indywidualnie, według projektu badania i zastosowania, a nie zakładać z góry, że jest gorszy, bo zebrali go wolontariusze.[Kosmala i in. 2016]
- Jakość danych oznacza co innego dla różnych interesariuszy. Zapewnianie jakości daje projektom wiarygodność, reputację i trwałość; autorzy zachęcają też projekty do dzielenia się doświadczeniami z nieudanych praktyk.[Balázs i in. 2021]
- W wywiadach z 36 projektami z wielu dziedzin projekty nauki obywatelskiej dobrze radziły sobie z oceną jakości danych i zarządzaniem nimi; autorzy formułują rekomendacje dotyczące m.in. infrastruktury, dokumentacji danych i dostępu do nich.[Bowser i in. 2020]
- W Galaxy Zoo każde zdjęcie oceniane jest niezależnie przez kilkanaście osób, a wynik powstaje z analizy statystycznej uwzględniającej wiarygodność poszczególnych użytkowników. W projektach RadoNorm eksperci dbali o kalibrację przyrządów i świadectwa wzorcowania z akredytowanych laboratoriów. Dane z prostszych czujników porównuje się ze stacjami referencyjnymi, a dla danych niepełnych i heterogenicznych przydatne jest podejście bayesowskie.[Aksamit 2025]
- Modele uczenia maszynowego mogą skalować klasyfikację opartą na etykietach przygotowanych przez wolontariuszy.[Willi i in. 2019]
Lista kontrolna jakości danych
- Jasny, przetestowany protokół i materiały szkoleniowe dla uczestników
- Kalibracja przyrządów lub porównanie z pomiarami referencyjnymi
- Wielokrotne, niezależne obserwacje tego samego obiektu tam, gdzie to możliwe
- Walidacja ekspercka lub automatyczna (np. filtry odstających wartości, weryfikacja zdjęć)
- Metadane: kto, gdzie, kiedy, czym mierzył
- Ocena przydatności danych do konkretnego celu („fitness for purpose”)
- Opis procedur zapewniania jakości w części metodycznej publikacji
Źródła:[Kosmala i in. 2016] [Balázs i in. 2021] [Bowser i in. 2020] [Aksamit 2025]
Każde stwierdzenie w tej sekcji prowadzi do źródła. Literatura dla naukowców