L’intelligenza artificiale sta trasformando il modo in cui raccogliamo, analizziamo e interpretiamo dati scientifici, aprendo nuove possibilità per la citizen science. Ma il vero potenziale non risiede nella sostituzione del contributo umano, bensì nella costruzione di sistemi collaborativi in cui persone e algoritmi lavorano insieme.
Come progettare iniziative di ricerca partecipata basate sull’IA? Quali le opportunità e le criticità? Guardando ad esempi non solo italiani ma anche europei e internazionali, sembra emergere un nuovo modello di innovazione, quello di una scienza più aperta, distribuita e interattiva, dove i cittadini non sono solo fornitori di dati, ma protagonisti nella produzione di conoscenza utile ad affrontare sfide sociali.
Indice degli argomenti
Citizen science digitale tra cittadini, dati e piattaforme
La Citizen Science (CS) è un approccio alla ricerca scientifica che prevede il coinvolgimento diretto dei cittadini, anche se privi di una formazione professionale in ambito scientifico, nelle diverse fasi del processo di raccolta, analisi e condivisione delle informazioni. Questo avviene attraverso la collaborazione con ricercatori ed esperti, che possono coordinare le attività e garantire la qualità dei dati raccolti.
L’impiego di applicazioni dedicate, ad esempio per il controllo dell’inquinamento atmosferico, il monitoraggio degli ecosistemi o l’individuazione di specie aliene invasive, permette di ottenere dati costantemente aggiornati che possono essere utilizzati dagli studiosi e dalle istituzioni per prendere decisioni più efficaci e basate su evidenze concrete.
La tecnologia rappresenta un elemento essenziale per lo sviluppo della citizen science, perché permette una partecipazione più ampia e immediata. Attraverso strumenti digitali come applicazioni per smartphone, sistemi di mappatura online e piattaforme basate sulla condivisione di dati aperti (open data), i cittadini possono osservare fenomeni, raccogliere informazioni e comunicarle in modo rapido alla comunità scientifica.
Piattaforme e iniziative collaborative
Tra le principali piattaforme che offrono strumenti, progetti e materiali informativi sulla citizen science si trovano Eu-citizen.science e CSI: Citizen Science Italia, che favoriscono la partecipazione dei cittadini e la diffusione di iniziative scientifiche collaborative.
AI e citizen science: il modello collaborativo
“AI and Citizen Science” è una interessante raccolta, pubblicata a Dicembre 2024 da Citizen Science: Theory and Practice, che esplora la dinamica interazione tra intelligenza artificiale e scienza partecipativa, presentando approcci innovativi per integrare l’IA nei progetti di scienza partecipativa in diversi ambiti, compiti e piattaforme, esaminando le sfide connesse quali la revisione della progettazione dei compiti, l’affidabilità dei dati, le competenze necessarie e l’accesso alle risorse. E non tralasciando le considerazioni etiche, tra cui le questioni di inclusione, trasparenza dell’IA e impatto ambientale.
Lezioni operative per una ricerca partecipativa con IA
Da questo insieme di esperienze emergono alcune lezioni apprese da tenere in conto quando si vuole progettare una ricerca partecipativa integrata con l’IA. Per assicurarne l’efficacia, i passaggi da seguire sarebbero i seguenti:
- Definire la sfida scientifica
- Identificare i punti di forza di persone e IA
- Co-progettare i ruoli con i partecipanti
- Creare un prototipo del flusso di lavoro IA
- Testarlo con utenti reali
- Valutare impatti scientifici e sociali
- Migliorare il sistema in modo trasparente
L’implicazione generale è che i migliori progetti trattano l’IA come parte di un sistema socio-tecnico: l’algoritmo, i cittadini, gli scienziati, i dati e il modello di governance devono essere progettati insieme.
Analizziamo più approfinditamente.
Progettare l’IA nella citizen science partendo dagli obiettivi
L’IA dove risolvere un problema scientifico o partecipativo reale, non essere aggiunta solo perché disponibile. Prima di scegliere un modello, definire quindi:
- Quale problema conoscitivo o scientifico si vuole affrontare?
- Qual è il contributo dei cittadini?
- Quali decisioni saranno supportate dai dati?
Un approccio debole è “Abbiamo un modello di IA; troviamo un modo per usarlo nella citizen science”. E’ indubbiamente più efficace l’approccio “Abbiamo bisogno di migliorare il monitoraggio ambientale; l’IA può aiutarci a scalare le osservazioni dei cittadini.”
BioBlitz e monitoraggio della biodiversità
Guardiamo per esempio ai BioBlitz. I BioBlitz coinvolgono cittadini nella raccolta rapida di dati sulla biodiversità. L’IA può aiutare ad analizzare grandi quantità di osservazioni, ma il valore nasce dal coinvolgimento delle comunità locali.
Persone e algoritmi nei progetti di citizen science
Evitare di progettare l’IA esclusivamente per sostituire le attività dei cittadini; i progetti che si sono rivelati più efficaci usano l’IA per potenziare le capacità umane. Quindi occorre chiedersi:
- quali attività sono più adatte agli esseri umani (contesto, interpretazione, casi insoliti)?
- quali attività sono più adatte all’IA (classificazione su larga scala, individuazione di schemi, prioritarizzazione)?
- dove è necessario un controllo reciproco tra persone e IA?
iNaturalist, Biodiversità in posa e osservazioni partecipate
Da questo punto di vista un interessante esempio è iNaturalist, la piattaforma che usa modelli di IA per aiutare a identificare specie animali e vegetali a partire dalle osservazioni degli utenti. L’IA propone una classificazione, ma il contributo umano rimane centrale: gli utenti verificano, correggono e arricchiscono le osservazioni con informazioni locali.L’IA funziona meglio come “assistente naturalista” che come sostituto dell’osservatore. Anche per Biodiversità in posa, promosso da ISPRA, le iniziative di monitoraggio della biodiversità sonno basate su immagini e osservazioni partecipate, mostrando il valore della combinazione tra riconoscimento automatico delle immagini e conoscenza dei cittadini.
Volontari, ruoli e competenze distribuite
Quando si utilizza l’IA si modifica il flusso di lavoro, e quindi anche il ruolo dei partecipanti deve essere riprogettato. I possibili ruoli sono diversi: da raccoglitori di dati ad addestratori dell’IA, valutatori delle prestazioni dell’IA, fornitori di conoscenza contestuale, interpreti dei risultati, co-progettisti della ricerca, etc.
Ma è assolutamente da evitare il trasformare i volontari in semplici “pulitori di dati” invisibili ed eliminare le opportunità di apprendimento attraverso un’automazione completa.
Che i cittadini possano diventare “esperti distribuiti”, lo dimostra Zooniverse, la piattaforma che coinvolge milioni di persone nell’analisi di dati scientifici. Ospita numerosi progetti che permettono agli utenti di partecipare a ricerche scientifiche, dalla classificazione di galassie alla raccolta di dati climatici, fino alla lettura di papiri antichi.
Cicli di feedback e trasparenza nell’IA partecipativa
Il contributo dei cittadini può migliorare le prestazioni dell’IA e l’IA può sostenere l’apprendimento dei cittadini. Per ottenere questo vi sono diversi meccanismi utili:
- consentire agli utenti di segnalare errori dell’IA
- mostrare livelli di incertezza
- permettere correzioni da parte delle comunità
- registrare spiegazioni e motivazioni delle decisioni, etc.
Questo permette che il sistema imparari dalla partecipazione e non si limiti a raccogliere dati.
Pl@ntNet è una applicazione che aiuta a riconoscere piante tramite immagini. Le osservazioni degli utenti contribuiscono al miglioramento del sistema. Ogni interazione con il cittadino può essere anche un momento di apprendimento del modello.
Fiducia, affidabilità e intelligenza artificiale responsabile
I cittadini/partecipanti devono essere messi in condizione di capire come l’IA influenza i risultati scientifici. Quindi è indispensabile predisporre funzionalità utili quali indicatori di affidabilità, esempi di errori possibili, tracciamento delle versioni del modello, ect.
La fiducia è fondamentale quando si chiede di contribuire alla ricerca. Anche per questo è nata AI4EU, una iniziativa europea sull’ intelligenza artificiale responsabile che evidenzia l’importanza di trasparenza, affidabilità e approcci centrati sull’essere umano. L’ applicazione pratica in citizen science è per esempio mostrare il livello di sicurezza della previsione, spiegare perché una classificazione è stata proposta o permettere correzioni.
Inclusione, governance e impatti della citizen science con IA
Esiste il potenziale pericolo che l’utilizzo di sistemi di IA possa creare nuove barriere. Attenzione dunque a verificare e valutare:
- competenze digitali
- accessibilità linguistica
- necessità di dispositivi specifici
- esigenze di accessibilità per persone con disabilità, ect.
COESO è un progetto europeo dedicato alla citizen science nelle scienze sociali e umane, con attenzione ai modelli partecipativi e alla collaborazione tra ricercatori e comunità.
Governance dei dati e decisioni condivise
La dimensione più rilevante della partecipazione dei cittadini è data dalla possibilità di contribuire a definire come l’IA debba essere utilizzata.
Alcune domande utili in fase di co-progettazione:
- chi possiede i dati?
- chi beneficia delle conoscenze generate dall’IA?
- chi decide quale livello di errore è accettabile?
- cosa succede quando le raccomandazioni dell’IA entrano in conflitto con la conoscenza locale?
A questo scopo è rilevante l’attività della European Citizen Science Association che promuove principi di citizen science responsabile, inclusivi e partecipativi.
Effetti scientifici e risultati per i cittadini
Il successo di un progetto di ricerca partecipata che utilizzi un sistema di IA non dipende solo dalla precisione del modello ma dai risultati conseguiti sia sul fronte della ricerca (risultati scientifici) che dei partecipanti. In particolare, sono importanti i risultati per i cittadini quali ad esempio l’apprendimento, il coinvolgimento e la percezione del contributo personale, la generazione di un clima di fiducia e la continuità della partecipazione.
Citizen science e IA nel lungo periodo
Un progetto di citizen science può durare anni; un modello di IA può diventare obsoleto molto prima e, pertanto, dobbiamo prevedere l’aggiornamento dei modelli, tenere in conto cambiamenti ambientali o sociali, curare la conservazione dei dati, garantire la continuità della comunità insieme alle risorse tecniche ed economiche
Conclusioni su IA con i cittadini
L’uso dell’IA può potenziare i progetti di citizen science migliorando l’identificazione di fenomeni rilevanti, supportando la comunicazione con i volontari, favorendo il coinvolgimento della comunità e facilitando l’accesso alla conoscenza scientifica. Tuttavia, l’integrazione dell’intelligenza artificiale nella citizen science richiede un approccio responsabile.
Le principali sfide riguardano la comprensibilità dei modelli, la fiducia del pubblico, la qualità e la proprietà dei dati, il rischio di esclusione tecnologica, la disponibilità di risorse e l’impatto ambientale associato all’addestramento dei sistemi di IA. È quindi fondamentale promuovere un’IA partecipativa, democratica ed etica, in cui cittadini, ricercatori e istituzioni collaborino nella definizione delle modalità di utilizzo della tecnologia.
Negli USA, in Europa e in Italia il modello che sta emergendo non è “IA al posto dei cittadini”, ma IA con i cittadini: sistemi in cui algoritmi, comunità locali, ricercatori e istituzioni producono conoscenza insieme.
Partecipa alla community