人工智能对科学文摘的研究表明，我们在野生动植物保护方面的状况越来越好

 
研究人员正在使用一种称为情感分析的机器学习来评估野生动物保护随着时间的推移的成败。在他们的研究中，研究人员于3月19日发表在Cells上的新的开放访问数据科学期刊《模式》中，研究人员对过去40年中进行的4,000多种物种再引入研究的摘要进行了评估，发现从总体上讲，我们正在进步，并且善于将物种重新引入野外。他们说，机器学习可用于该领域和其他领域，以从不断增长的科学研究中确定最佳技术和解决方案。
高级作者凯尔·范·霍坦(Kyle Van Houtan)表示：“我们想从大量的保护生物学文献中吸取一些有关再引进计划的经验教训，我们可以在加利福尼亚州尝试将它们重新带回他们数十年来从未漫游过的地方。”蒙特利湾水族馆的首席科学家。 “但是摆在我们面前的是数百万个单词和成千上万的手稿。我们想知道如何从它们中提取我们可以实际分析的数据，因此我们转向自然语言处理。”
自然语言处理是一种机器学习，它分析人类语言的字符串以提取可用信息，从本质上讲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待一组训练有素的单词，这些单词被赋予了积极或消极的情感价值，以评估整体文本的积极性或消极性。
研究人员使用Web of Science数据库确定了从1987年到2016年发表的4,313种物种的引种研究，其中包括可检索的摘要。然后，他们使用了几种“现成的”情感分析词典(即已经根据电影和餐馆评论等内容为其中的单词分配了情感得分)来构建一个模型，该模型可以为每个摘要提供整体得分。 Van Houtan说：“我们不必训练模型，因此在运行了几个小时后，我们突然获得了所有这些结果。” “随着时间的推移，分数给了我们一种趋势，我们可以查询结果，以了解对熊猫或加利福尼亚秃鹰或珊瑚礁的研究与这种情感有关。”
他们看到的趋势表明更大的保护成功。他说：“随着时间的流逝，在研究中对情绪的评估不确定性会越来越小，我们看到重新引入项目变得更加成功，这是一个很大的收获。” “看成千上万的研究，看来我们正在做得更好，这令人鼓舞。”
研究合著者，微软首席环境官卢卡斯·乔帕(Lucas Joppa)表示：“如果我们要最大限度地利用保护资金，那么我们需要能够迅速评估哪些有效，哪些无效。” “机器学习，尤其是自然语言处理，具有筛选结果并照亮他人可以从中学习的成功故事的能力。”
为了确保他们的结果准确，研究人员在结果中查看了最常见的积极情绪指标(因此，保护​​成功)，并找到了“成功”，“保护”，“增长”，“支持”，“帮助”， ”和“利益”;表示负面情绪的词包括“威胁”，“损失”，“风险”，“威胁”，“问题”和“杀戮”。这些话与他们作为长期保护生物学家的话相吻合，通常用来表明他们自己研究的成功和失败。他们还发现，由情绪分析所描述的针对特定重新引入计划的趋势(已知为成功或失败，例如加利福尼亚秃鹰的重新引入)与已知结果相符。
研究人员说，现成的情感分析对他们而言效果出乎意料的好，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中的一部分，因此以适当的情感进行了准确编码。在其他领域，他们认为需要做更多的工作来开发和训练可以准确编码更多技术性，特定于领域的语言和语法的情感的模型。他们说，另一个限制是，他们试图分析的论文中只有有限的一部分是开放获取的，这意味着他们必须评估摘要而不是完整的论文。 Van Houtan表示：“我们实际上只是在抓挠表面，但这绝对是朝正确方向迈出的一步。”
他们仍然认为这是一种技术，可以并且应该更广泛地应用于保护生物学和其他领域，以了解目前正在进行和发表的大量研究。乔帕说：“全球保护界并未注意到很多地方保护工作，而本文证明了机器学习如何帮助缩小信息鸿沟。”
Van Houtan说：“许多技术已在商业环境中使用了十多年，但我们希望将其转化为像我们这样的环境，以应对气候变化或塑料污染或促进濒危物种的保护。” “有大量数据可以触手可及，但正是这个沉睡的巨人，因为它们的整理或组织不当，使其难以分析。我们希望将人们与他们可能没有的想法，能力和技术解决方案联系起来否则我们将为这些看似棘手的问题带来一些进步。”