Les chercheurs utilisent une sorte d'apprentissage automatique connu sous le nom d'analyse des sentiments pour évaluer les succès et les échecs de la conservation de la faune au fil du temps. Dans leur étude, paru le 19 mars dans Motifs —un nouveau journal de science des données en libre accès de Cell Press—les chercheurs ont évalué les résumés de plus de 4, 000 études de réintroduction d'espèces sur quatre décennies et ont constaté que, en général, nous devenons de mieux en mieux dans la réintroduction d'espèces dans la nature. Ils disent que l'apprentissage automatique pourrait être utilisé dans ce domaine et dans d'autres pour identifier les meilleures techniques et solutions parmi le volume toujours croissant de la recherche scientifique.

"Nous voulions tirer des leçons du vaste corpus de littérature sur la biologie de la conservation sur les programmes de réintroduction que nous pourrions utiliser ici en Californie alors que nous essayons de remettre les loutres de mer dans des endroits où elles n'ont pas erré depuis des décennies, " dit l'auteur principal Kyle Van Houtan, scientifique en chef à l'Aquarium de Monterey Bay. "Mais ce qui se trouvait devant nous, c'était des millions de mots et des milliers de manuscrits. Nous nous sommes demandé comment nous pouvions en extraire des données que nous pourrions réellement analyser, et nous nous sommes donc tournés vers le traitement du langage naturel."

Le traitement du langage naturel est une sorte d'apprentissage automatique qui analyse des chaînes de langage humain pour extraire des informations utilisables, permettant essentiellement à un ordinateur de lire des documents comme un humain. Analyse des sentiments, que les chercheurs ont utilisé dans cet article, examine plus spécifiquement un ensemble de mots entraînés auxquels une valeur émotionnelle positive ou négative a été attribuée afin d'évaluer la positivité ou la négativité du texte dans son ensemble.

Les chercheurs ont utilisé la base de données Web of Science pour identifier 4, 313 études de réintroduction d'espèces publiées de 1987 à 2016 avec des résumés consultables. Ensuite, ils ont utilisé plusieurs lexiques d'analyse des sentiments "prêts à l'emploi" - ce qui signifie que les mots qu'ils contiennent avaient déjà reçu un score de sentiment basé sur des éléments tels que des critiques de films et de restaurants - pour créer un modèle qui pourrait donner à chaque résumé une note globale. "Nous n'avons pas eu à former les modèles, donc après les avoir exécutés pendant quelques heures, nous avions tout à coup tous ces résultats à notre disposition, " dit Van Houtan. " Les scores nous ont donné une tendance au fil du temps, et nous pouvions interroger les résultats pour voir ce que le sentiment était associé aux études sur les pandas ou sur les condors de Californie ou les récifs coralliens."

Les tendances qu'ils ont vues suggèrent un plus grand succès de conservation. "Heures supplémentaires, il y a beaucoup moins d'incertitude dans l'évaluation du sentiment dans les études, et nous voyons les projets de réintroduction devenir plus fructueux - et c'est un gros point à retenir, " dit-il. " En regardant des milliers d'études, il semble que nous nous améliorons, et c'est encourageant."

« Si nous voulons maximiser nos dollars de conservation, alors nous devons être en mesure d'évaluer rapidement ce qui fonctionne et ce qui ne fonctionne pas, " déclare Lucas Joppa, co-auteur de l'étude, Directeur de l'environnement chez Microsoft. "Apprentissage automatique, et le traitement du langage naturel en particulier, a la capacité de passer au crible les résultats et de mettre en lumière les réussites dont les autres peuvent tirer des leçons. »

Pour s'assurer de l'exactitude de leurs résultats, les chercheurs ont examiné les indicateurs les plus courants de sentiment positif (et donc de réussite de la conservation) dans leurs résultats et ont trouvé des mots comme « succès, " "protéger, " "croissance, " "Support, " "aider, » et « bénéficier » ; les mots qui indiquaient un sentiment négatif étaient tels que « menacer, " "perte, " "risque, " "menace, " "problème, " et " tuer. " Ces mots s'alignaient sur ce qu'ils, en tant que biologistes de la conservation de longue date, utiliseraient généralement pour indiquer le succès et l'échec de leurs propres études. Ils ont également constaté que les tendances décrites par l'analyse des sentiments pour des programmes de réintroduction spécifiques connus pour être des succès ou des échecs (comme la réintroduction du condor de Californie) correspondaient aux résultats connus.

Les chercheurs disent que l'analyse des sentiments standard a fonctionné étonnamment bien pour eux, probablement parce que de nombreux mots utilisés en biologie de la conservation font partie de nos lexiques quotidiens et ont donc été codés avec précision avec le sentiment approprié. Dans d'autres domaines, ils pensent qu'il faudrait faire plus de travail pour développer et former un modèle qui pourrait coder avec précision le sentiment de plus technique, langage et syntaxe spécifiques au domaine. Autre contrainte, ils disent, est que seul un nombre limité des articles qu'ils cherchaient à analyser étaient en libre accès, ce qui signifiait qu'ils devaient évaluer des résumés plutôt que des articles complets. "Nous ne faisons qu'effleurer la surface ici, mais c'est certainement un pas dans la bonne direction, " dit Van Houtan.

Toujours, ils pensent que c'est une technique qui peut et doit être appliquée plus largement à la fois en biologie de la conservation et dans d'autres domaines pour donner un sens aux vastes quantités de recherches qui sont actuellement menées et publiées. « Tant de travaux de conservation locaux passent inaperçus de la communauté mondiale de la conservation, et cet article montre comment l'apprentissage automatique peut aider à combler ce manque d'informations, " dit Joppé.

« Beaucoup de ces techniques sont utilisées depuis plus d'une décennie dans des environnements commerciaux, mais nous espérons les traduire dans des environnements comme le nôtre pour lutter contre le changement climatique ou la pollution plastique ou pour promouvoir la conservation des espèces menacées, " dit Van Houtan. " Il y a une pléthore de données qui sont à portée de main, mais c'est ce géant endormi parce qu'il n'est pas correctement organisé ou organisé, ce qui le rend difficile à analyser. Nous voulons connecter les gens avec des idées, capacité, et des solutions techniques qu'ils ne rencontreraient peut-être pas autrement afin que nous puissions apporter des progrès à ces problèmes apparemment insolubles. »