[论文解读] Galaxy Zoo: Morphological Classification and Citizen Science

L. Fortson, Karen L. Masters+7 more|arXiv (Cornell University)|Apr 28, 2011

Gaussian Processes and Bayesian Inference参考文献 5被引用 41

一句话总结

本文介绍了 Galaxy Zoo，这是一项开创性的公民科学项目，利用人类的模式识别能力大规模分类星系形态，实现了对斯隆数字巡天中超过一百万颗星系的大规模形态学分析。该项目成功证明了众包分类具有高准确度，并产生了大量经过同行评审的科学成果，为天文学及其他领域中的社区驱动数据分析树立了典范。

ABSTRACT

We provide a brief overview of the Galaxy Zoo and Zooniverse projects, including a short discussion of the history of, and motivation for, these projects as well as reviewing the science these innovative internet-based citizen science projects have produced so far. We briefly describe the method of applying en-masse human pattern recognition capabilities to complex data in data-intensive research. We also provide a discussion of the lessons learned from developing and running these community--based projects including thoughts on future applications of this methodology. This review is intended to give the reader a quick and simple introduction to the Zooniverse.

研究动机与目标

• 开发并部署一个可扩展的、基于互联网的平台，利用非专家志愿者对星系形态进行分类。
• 应对来自数字天空调查的数百万颗星系分类挑战，这些挑战已超出专业天文学家的处理能力。
• 证明大规模众包数据分析在天文学中的科学价值和可靠性。
• 为未来跨多个科学领域的公民科学项目建立框架。
• 探索数据密集型研究时代下基于社区的科学的潜力。

提出的方法

• 利用基于网络的界面，向志愿者展示来自斯隆数字巡天的单个星系图像以供分类。
• 采用共识方法，即多名志愿者对每个星系进行分类，通过聚合提升分类准确度。
• 应用统计方法评估分类器的可靠性，并减少个体错误带来的噪声。
• 将结果整合到中央门户 Zooniverse 中，以托管和协调多个公民科学项目。
• 利用分类结果研究星系形态、演化及环境依赖性。
• 将结果与专家分类进行验证，并使用机器学习技术对人类分类进行优化和交叉检查。

实验结果

研究问题

• RQ1 非专家志愿者能否通过基于网络的平台大规模准确分类星系形态？
• RQ2 公民科学分类在星系形态分类中的准确度与专家分类相比如何？
• RQ3 从大规模、由人类驱动的星系分类中可以获得哪些科学洞见？
• RQ4 哪些设计原则能使公民科学项目在数据密集型科学研究中取得成功？
• RQ5 如何将基于社区的科学扩展并推广到其他科学领域？

主要发现

• 超过 400,000 名志愿者参与了 Galaxy Zoo，对超过一百万颗星系进行了分类，表现出高度的一致性和可靠性。
• 多名志愿者达成共识的分类结果准确度与专家分类相当，验证了该方法的有效性。
• 该项目发表了超过 100 篇同行评审的科学论文，显著推进了星系形态、演化及环境影响方面的知识。
• 公民科学使罕见星系类型的发现成为可能，例如 ""