Forskare använder ett slags maskininlärning som kallas sentimentanalys för att bedöma framgångar och misslyckanden för viltvård över tiden. I deras studie, visas 19 mars i Mönster —En ny öppen datavetenskaplig tidskrift från Cell Press — forskarna utvärderade abstrakt av mer än 4, 000 studier av arter som återinförts under fyra decennier och fann att, generellt, vi blir bättre och bättre på att återinföra arter till naturen. De säger att maskininlärning kan användas inom detta område och andra för att identifiera de bästa teknikerna och lösningarna bland den ständigt växande mängden vetenskaplig forskning.

"Vi ville lära oss några lärdomar från den stora massan av naturvårdsbiologilitteratur om återinföringsprogram som vi skulle kunna använda här i Kalifornien när vi försöker sätta tillbaka havsotrarna till platser som de inte har roat på årtionden, säger seniorförfattaren Kyle Van Houtan, chefsvetare vid Monterey Bay Aquarium. "Men det som satt framför oss var miljontals ord och tusentals manuskript. Vi undrade hur vi kunde extrahera data från dem som vi faktiskt kunde analysera, och så vände vi oss till naturligt språkbehandling. "

Naturlig språkbehandling är ett slags maskininlärning som analyserar strängar av mänskligt språk för att extrahera användbar information, i huvudsak tillåter en dator att läsa dokument som en människa. Sentimentanalys, som forskarna använde i detta dokument, tittar mer specifikt på en tränad uppsättning ord som har tilldelats ett positivt eller negativt känslomässigt värde för att bedöma textens positivitet eller negativitet totalt sett.

Forskarna använde databasen Web of Science för att identifiera 4, 313 arter återintroduktionsstudier publicerade från 1987 till 2016 med sökbara abstrakt. Sedan använde de flera "off-the-shelf" sentimentanalyslexikon-vilket betyder att orden i dem redan hade tilldelats ett sentimentpoäng baserat på saker som film- och restaurangrecensioner-för att bygga en modell som kunde ge varje abstrakt ett övergripande poäng. "Vi behövde inte träna modellerna, så efter att ha kört dem i några timmar hade vi helt plötsligt alla dessa resultat till vårt förfogande, "säger Van Houtan." Poängen gav oss en trend över tid, och vi kunde fråga resultaten för att se vad känslan var förknippad med studier om pandor eller Kalifornien kondorer eller korallrev. "

Trenderna de såg föreslog större bevarandeframgångar. "Över tid, det finns mycket mindre osäkerhet i bedömningen av känslor i studierna, och vi ser återinföringsprojekt bli mer framgångsrika - och det är en stor takeaway, "säger han." Tittar på tusentals studier, det verkar som vi blir bättre på det, och det är uppmuntrande. "

"Om vi ​​ska maximera våra bevarande dollar, då måste vi snabbt kunna bedöma vad som fungerar och vad som inte fungerar, "säger studieförfattaren Lucas Joppa, Miljöchef på Microsoft. "Maskininlärning, och bearbetning av naturligt språk i synnerhet, har förmågan att sålla igenom resultaten och tända ett ljus på framgångshistorier som andra kan lära av. "

För att säkerställa att deras resultat var korrekta, forskarna tittade på de vanligaste indikatorerna på positivt sentiment (och därför bevarandeframgång) i sina resultat och hittade ord som "framgång, "" skydda, "" tillväxt, " "Stöd, " "hjälp, "och" nytta "; ord som indikerade negativa känslor var sådana som" hotar, "" förlust, "" risk, "" hot, "" problem, "och" döda. "Dessa ord stämde överens med vad de, som långvariga bevarandebiologer, brukar använda för att indikera framgång och misslyckande i sina egna studier. De fann också att trender som beskrivs av sentimentanalysen för specifika återinföringsprogram som är kända för att vara framgångar eller misslyckanden (som återinförandet av Kaliforniens kondor) matchade de kända resultaten.

Forskarna säger att sentimentanalyser från hyllan fungerade förvånansvärt bra för dem, troligtvis eftersom många ord som används i bevarandebiologi är en del av våra vardagliga lexikoner och därför kodades korrekt med rätt känsla. På andra områden, de tror att mer arbete skulle behöva göras för att utveckla och träna en modell som exakt kan koda känslan för mer teknisk, fältspecifikt språk och syntax. En annan begränsning, de säger, är att endast ett begränsat antal av de papper de sökte analysera var öppen åtkomst, vilket innebar att de var tvungna att bedöma abstrakt snarare än fullständiga papper. "Vi kliar verkligen på ytan här, men detta är definitivt ett steg i rätt riktning, säger Van Houtan.

Fortfarande, de tror att det här är en teknik som kan och bör tillämpas bredare inom både bevarandebiologi och andra områden för att förstå den stora mängden forskning som nu bedrivs och publiceras. "Så mycket lokalt bevarandearbete går obemärkt förbi av det globala bevarandegemenskapen, och det här dokumentet visar hur maskininlärning kan hjälpa till att minska det informationsgapet, säger Joppa.

"Många av dessa tekniker har använts i över ett decennium i kommersiella miljöer, men vi hoppas kunna översätta dem till miljöer som våra för att bekämpa klimatförändringar eller plastföroreningar eller främja bevarande av hotade arter, "Säger Van Houtan." Det finns en uppsjö av data som finns nära till hands, men det är den här sovande jätten eftersom den inte är ordentligt organiserad eller organiserad, vilket gör det svårt att analysera. Vi vill koppla människor med idéer, kapacitet, och tekniska lösningar som de annars inte skulle stöta på så att vi kan göra några framsteg i dessa till synes svårhanterliga problem. "