Obywatele zbierają dane dla nauki. Jak sprawdzić ich wiarygodność?

Nauka potrzebuje tysięcy par oczu

Citizen science, czyli nauka obywatelska, polega na włączaniu osób spoza środowiska akademickiego w prowadzenie badań. Uczestnicy mogą zbierać obserwacje, fotografować badane obiekty, analizować materiały, a w bardziej rozbudowanych przedsięwzięciach także pomagać w wyborze tematów i interpretowaniu wyników.

Skala takich inicjatyw bywa ogromna. Działający przy University of Queensland od 2002 r. CoralWatch wykorzystuje prostą kartę kolorów do monitorowania kondycji koralowców. W jego bazie znalazły się informacje o ponad 230 tys. koralowców z przeszło 1900 raf w 79 krajach. Do podstawowych obserwacji nie jest przy tym wymagane wcześniejsze specjalistyczne szkolenie.

Jeszcze dalej idzie Great Reef Census. Na Wielkiej Rafie Koralowej przebadano w jego ramach 740 raf i zgromadzono ponad 173 tys. zdjęć, a w analizę materiałów zaangażowało się ponad 15 tys. osób z 80 państw. Łącznie badaniem objęto około jednej czwartej Wielkiej Rafy Koralowej.

Nie chodzi przy tym wyłącznie o popularyzację wiedzy. Materiały z Great Reef Census wykorzystują badacze i osoby zarządzające rafą, m.in. do wskazywania obszarów szczególnie ważnych dla ochrony. Przy takiej skali znaczenie ma więc nie tylko liczba obserwacji, lecz także ich jakość: kto je zbiera, według jakich zasad i w jaki sposób są później weryfikowane.

Badanie nie sprawdzało, jak często wolontariusze się mylą

Autorzy pracy opublikowanej 1 lipca 2026 r. w „PLOS One”  przeanalizowali doświadczenia osób związanych z nauką obywatelską oraz dziewięć konkretnych projektów. W ankietach uczestniczyło 46 osób. Zbieranie danych i zaufanie do ich jakości należały do najczęściej wskazywanych tematów. Pojawiły się w odpowiedziach 38 respondentów.

Badanie nie mierzyło jednak liczby błędnych zgłoszeń ani nie wykazało, że wolontariusze dostarczają mniej wiarygodnych danych niż zawodowi badacze. Autorzy analizowali bariery, doświadczenia i rozwiązania stosowane w projektach citizen science. Na tej podstawie można więc ocenić nie skalę błędów, lecz sposoby, w jakie poszczególne przedsięwzięcia próbują im zapobiegać i dbać o jakość danych.

Trzy rafy, trzy sposoby zbierania danych

Dobrym przykładem są trzy opisane w pracy projekty dotyczące raf koralowych. CoralWatch (https://coralwatch.org ) ma niski próg wejścia. Jego podstawowym narzędziem jest Coral Health Chart, czyli karta pozwalająca oceniać zmiany koloru koralowców związane z blaknięciem raf. Mogą z niej korzystać również osoby bez wcześniejszego specjalistycznego przygotowania.

Inaczej działa Reef Check. Uczestnicy przechodzą szkolenie EcoDiver, a od osób prowadzących właściwe badania podwodne wymagane są także odpowiednie kwalifikacje nurkowe. Większe wymagania wobec uczestników mają zwiększać porównywalność i wiarygodność obserwacji.

Great Reef Census rozdziela natomiast zbieranie materiału od jego późniejszej analizy. Zdjęcia raf mogą oceniać osoby znajdujące się tysiące kilometrów od Australii. Projekt może więc angażować wielu uczestników, także tych, którzy nigdy nie pojawią się na Wielkiej Rafie Koralowej. Każde z tych badań opiera się na innej mechanice. CoralWatch stawia na łatwy udział, Reef Check na szkolenie, a Great Reef Census rozdziela zbieranie zdjęć od ich analizy. Jednak aby inni badacze mogli ocenić wiarygodność danych, muszą wiedzieć, w jaki sposób zostały one zebrane. 

Teraz trzeba sprawdzać również algorytm

Great Reef Census i australijski NOBURN wykorzystują sztuczną inteligencję do analizy zdjęć dostarczanych przez uczestników.

NOBURN zbiera za pomocą aplikacji fotografie roślinności i materiału palnego w australijskich lasach. Dane mają pomagać w badaniu ryzyka pożarowego, a do ich przetwarzania wykorzystywane są narzędzia AI. W Great Reef Census technologia pomaga analizować dużą liczbę zdjęć raf. Autorzy publikacji w „PLOS One” wskazują, że wykorzystanie AI ogranicza pracę wykonywaną ręcznie i pozwala przetwarzać większą liczbę materiałów.

Pojawia się jednak kolejny etap kontroli. Nie wystarczy już sprawdzić, czy człowiek prawidłowo zebrał materiał. Trzeba także wiedzieć, jak został on później oceniony przez system. Autorzy pracy postulują, by sposób wykorzystania AI był dokładnie opisywany, w tym użyty kod oraz dane, na których trenowano model. Zwracają też uwagę na brak wystarczająco jasnych zasad prawnych i etycznych dotyczących stosowania sztucznej inteligencji w nauce obywatelskiej.

Dane powinny dać się sprawdzić również po zakończeniu projektu

W publikacji pojawiają się też zasady FAIR. Zgodnie z nimi dane powinny być możliwe do odnalezienia, dostępne, interoperacyjne – czyli możliwe do łączenia z innymi zbiorami – oraz nadawać się do ponownego wykorzystania. Spośród dziewięciu analizowanych projektów cztery spełniały te zasady, a pięć nie.

Ma to znaczenie przy późniejszej kontroli wyników. Dostęp do danych i opisu metody pozwala innym badaczom sprawdzić, na jakim materiale oparto wynik i w jaki sposób do niego doszli autorzy. 

Wyników nie można przenosić na wszystkie projekty

Autorzy szczegółowo opisują ograniczenia swojej pracy. Próba liczyła 46 respondentów i była zdominowana przez osoby już związane z citizen science. 80 proc. uczestników mieszkało w Australii, 76 proc. deklarowało doświadczenie akademickie, a szczególnie mocno reprezentowane były projekty ekologiczne. Badanie nie było więc reprezentatywne dla wszystkich projektów nauki obywatelskiej na świecie.

Grupa 46 uczestników była również zbyt mała, by na jej podstawie wyciągać wnioski dotyczące całej nauki obywatelskiej. Dziesięć rekomendacji autorów to propozycje oparte na doświadczeniach badanych osób i analizie konkretnych projektów, a nie dowód, że jeden sposób kontroli materiałów sprawdzi się w każdej dziedzinie. Inaczej przebiega weryfikacja danych w małym projekcie, inaczej wtedy, gdy napływają ich tysiące. Dlatego wiarygodność nauki obywatelskiej zależy nie od tego, kto zbiera dane, lecz od tego, jak dobrze zaprojektowano ich zbieranie i weryfikację.