La science des données environnementales et l’apprentissage automatique (ML) sont de plus en plus essentiels pour relever les défis écologiques. Cependant, ces technologies peuvent perpétuer par inadvertance les biais présents dans leurs données de formation, conduisant à des inégalités socioécologiques. Le domaine est confronté à des problèmes tels que l'intégrité des données, les biais algorithmiques et le surajustement des modèles, qui nécessitent une compréhension plus approfondie et des approches plus équitables.
Le débat actuel et l'évolution dans ce domaine soulignent l'importance d'intégrer l'équité dans tous les domaines de la recherche et de la conception afin de garantir des résultats justes et impartiaux.
Un changement de paradigme vers l'intégration de l'équité socioécologique dans la science des données environnementales et l'apprentissage automatique (ML) est préconisé dans un nouvel article de perspective publié dans Frontiers of Environmental Science &Engineering. .
Rédigé par Joe F. Bozeman III du Georgia Institute of Technology, le document souligne l'importance de comprendre et de lutter contre les inégalités socioécologiques pour améliorer l'intégrité de la science des données environnementales.
Cette étude présente et valide le cadre d'équité systémique et le protocole Wells-Du Bois, des outils essentiels pour intégrer l'équité dans la science des données environnementales et l'apprentissage automatique. Ces méthodologies vont au-delà des approches traditionnelles en mettant l'accent sur les impacts socioécologiques ainsi que sur la précision technique.
Le cadre d’équité systémique se concentre sur la prise en compte simultanée de l’équité distributive, procédurale et de reconnaissance, garantissant des avantages équitables à toutes les communautés, en particulier aux marginalisées. Il encourage les chercheurs à intégrer l'équité tout au long du cycle de vie du projet, de la création à la mise en œuvre.
Le protocole Wells-Du Bois propose une méthode structurée pour évaluer et atténuer les biais dans les ensembles de données et les algorithmes, guidant les chercheurs dans une évaluation critique du renforcement potentiel des préjugés sociétaux dans leur travail, ce qui pourrait conduire à des résultats biaisés.
"Notre travail ne consiste pas seulement à améliorer la technologie, mais également à garantir qu'elle serve équitablement tout le monde", a déclaré Bozeman. "L'intégration d'une perspective d'équité dans la science des données environnementales est cruciale pour l'intégrité et la pertinence de nos recherches dans des contextes réels."
Cette recherche met non seulement en évidence les défis existants en matière de science des données environnementales et d’apprentissage automatique, mais propose également des solutions pratiques pour les surmonter. Il établit une nouvelle norme pour mener des recherches justes, équitables et inclusives, ouvrant ainsi la voie à des pratiques scientifiques environnementales plus responsables et plus efficaces.
Plus d'informations : Joe F. Bozeman, Renforcer l'intégrité dans la science des données environnementales et l'apprentissage automatique nécessite de comprendre les inégalités socioécologiques, Frontières des sciences et de l'ingénierie de l'environnement (2024). DOI : 10.1007/s11783-024-1825-2
Fourni par TranSpread
