발생할 수있는 바이어스의 한 가지 유형은 샘플링 바이어스 입니다. . 이는 데이터가 전체 이해 인구를 나타내는 방식으로 수집되지 않을 때 발생합니다. 예를 들어, 매핑 프로젝트가 자원 봉사자가 수집 한 데이터에 의존하는 경우 자원 봉사자가 쉽게 액세스 할 수 있거나 인기있는 영역으로 데이터가 왜곡 될 수 있습니다. 이로 인해 부정확하거나 오해의 소지가있는 맵으로 이어질 수 있습니다.
발생할 수있는 또 다른 유형의 바이어스는 선택 바이어스 입니다. . 이는 데이터가 관심있는 인구의 모든 구성원이 동일한 가능성이 포함될 수 있도록하는 방식으로 수집되지 않을 때 발생합니다. 예를 들어, 매핑 프로젝트가 특정 그룹의 구성원 인 자원 봉사자가 수집 한 데이터에 의존하면 데이터가 해당 그룹에 편향 될 가능성이 높습니다. 이것은 전체 인구를 대표하지 않는지도로 이어질 수 있습니다.
마지막으로 옵저버 바이어스 의 잠재력도 있습니다 . 이것은 데이터를 수집하는 사람들이 자신의 신념이나 기대에 영향을받을 때 발생합니다. 예를 들어, 자원 봉사자가 특정 종의 분포에 대한 데이터를 수집하는 경우 해당 종의 목격이 발견 될 것으로 예상되는 지역에서 목격을 기록 할 가능성이 더 높습니다. 이로 인해 부정확하거나 오해의 소지가있는 맵으로 이어질 수 있습니다.
매핑을 위해 Citizen Science 데이터를 사용할 때 발생할 수있는 잠재적 편향을 알고 이러한 편견을 최소화하기위한 조치를 취하는 것이 중요합니다. 이를 수행하는 한 가지 방법은 계층화 된 샘플링 설계를 사용하여 관심있는 인구의 모든 구성원이 데이터에 포함될 가능성이 동일합니다. 편견을 최소화하는 또 다른 방법은 데이터를 수집하는 사람들이 연구의 목적을 알지 못하는 이중 맹검 연구 설계를 사용하는 것입니다.
이러한 단계를 수행함으로써 Citizen Science 데이터를 사용하여 의사 결정에 정보를 제공하고 주변 세계에 대한 이해를 향상시키는 데 사용할 수있는 정확하고 신뢰할 수있는지도를 만들 수 있습니다.
다음은 Citizen Science 데이터를 통해 MAPS에 편견이 어떻게 나타날 수 있는지에 대한 구체적인 예입니다.
* 특정 종의 분포에 대한지도는 자원 봉사자가 쉽게 접근 할 수있는 지역 또는 종이 존재하는 것으로 알려진 지역으로 편향 될 수 있습니다. 이것은 종이 실제보다 더 널리 퍼져 있다는 잘못된 인상으로 이어질 수 있습니다.
* 공기 또는 물의 질에 대한지도는 사람들이 살거나 일하는 지역 또는 오염원이 알려진 지역으로 바이어스 될 수 있습니다. 이것은이 영역에서 실제보다 공기 또는 수질이 악화되었다는 잘못된 인상으로 이어질 수 있습니다.
* 특정 질병의 분포에 대한지도는 병원이나 클리닉이 더 많은 지역이나 사람들이 의료 서비스를받을 가능성이 높은 지역으로 편향 될 수 있습니다. 이것은이 영역에서 실제보다 질병이 더 널리 퍼져 있다는 잘못된 인상으로 이어질 수 있습니다.
매핑을 위해 Citizen Science 데이터를 사용할 때 발생할 수있는 잠재적 편향을 알고 이러한 편견을 최소화하기위한 조치를 취하는 것이 중요합니다. 그렇게함으로써 의사 결정에 정보를 제공하고 우리 주변의 세계에 대한 이해를 향상시키는 데 사용할 수있는 정확하고 신뢰할 수있는지도를 만들 수 있습니다.
