Os pesquisadores estão usando um tipo de aprendizado de máquina conhecido como análise de sentimento para avaliar os sucessos e fracassos da conservação da vida selvagem ao longo do tempo. Em seu estudo, aparecendo em 19 de março em Padrões —Um novo jornal de ciência de dados de acesso aberto da Cell Press — os pesquisadores avaliaram os resumos de mais de 4, 000 estudos de reintrodução de espécies ao longo de quatro décadas e descobriram que, de um modo geral, estamos cada vez melhores na reintrodução de espécies na natureza. Eles dizem que o aprendizado de máquina poderia ser usado neste campo e em outros para identificar as melhores técnicas e soluções entre o volume cada vez maior de pesquisas científicas.

"Queríamos aprender algumas lições do vasto corpo de literatura de biologia da conservação sobre programas de reintrodução que poderíamos usar aqui na Califórnia, enquanto tentamos colocar lontras marinhas de volta em lugares que não vagueavam há décadas, "diz o autor sênior Kyle Van Houtan, cientista-chefe do Aquário da Baía de Monterey. "Mas o que estava diante de nós eram milhões de palavras e milhares de manuscritos. Queríamos saber como poderíamos extrair deles dados que pudéssemos realmente analisar, e então nos voltamos para o processamento de linguagem natural. "

O processamento de linguagem natural é um tipo de aprendizado de máquina que analisa strings de linguagem humana para extrair informações úteis, essencialmente permitindo que um computador leia documentos como um humano. Análise de sentimentos, que os pesquisadores usaram neste artigo, analisa mais especificamente um conjunto treinado de palavras às quais foi atribuído um valor emocional positivo ou negativo para avaliar a positividade ou negatividade do texto em geral.

Os pesquisadores usaram o banco de dados Web of Science para identificar 4, 313 estudos de reintrodução de espécies publicados de 1987 a 2016 com resumos pesquisáveis. Em seguida, eles usaram vários léxicos de análise de sentimento "prontos para uso" - o que significa que as palavras neles já haviam recebido uma pontuação de sentimento com base em coisas como críticas de filmes e restaurantes - para construir um modelo que pudesse dar a cada resumo uma pontuação geral. "Não tivemos que treinar os modelos, então, depois de executá-los por algumas horas, de repente, tínhamos todos esses resultados à nossa disposição, "diz Van Houtan." As pontuações nos deram uma tendência ao longo do tempo, e poderíamos consultar os resultados para ver o que o sentimento estava associado a estudos sobre pandas ou condores da Califórnia ou recifes de coral. "

As tendências que viram sugeriam maior sucesso de conservação. "Hora extra, há muito menos incerteza na avaliação do sentimento nos estudos, e vemos projetos de reintrodução se tornarem mais bem-sucedidos - e isso é uma grande lição, "ele diz." Olhando para milhares de estudos, parece que estamos melhorando nisso, e isso é encorajador. "

“Se vamos maximizar nossos dólares de conservação, então precisamos ser capazes de avaliar rapidamente o que funciona e o que não funciona, "diz o co-autor do estudo Lucas Joppa, Diretor de Meio Ambiente da Microsoft. "Aprendizado de máquina, e processamento de linguagem natural em particular, tem a capacidade de filtrar os resultados e iluminar as histórias de sucesso com as quais outras pessoas podem aprender. "

Para garantir que seus resultados fossem precisos, os pesquisadores analisaram os indicadores mais comuns de sentimento positivo (e, portanto, sucesso de conservação) em seus resultados e encontraram palavras como "sucesso, "" proteger, " "crescimento, " "Apoio, suporte, " "ajuda, "e" benefício "; palavras que indicavam sentimento negativo eram como" ameaçar, " "perda, " "risco, " "ameaça, " "problema, "e" matar ". Essas palavras alinhadas com o que eles, como biólogos conservacionistas de longa data, normalmente usariam para indicar sucesso e fracasso em seus próprios estudos. Eles também descobriram que as tendências descritas pela análise de sentimento para programas específicos de reintrodução conhecidos como sucessos ou fracassos (como a reintrodução do condor da Califórnia) correspondiam aos resultados conhecidos.

Os pesquisadores dizem que a análise de sentimento de prateleira funcionou surpreendentemente bem para eles, provavelmente porque muitas palavras usadas na biologia da conservação fazem parte de nossos léxicos diários e, portanto, foram codificadas com precisão com o sentimento apropriado. Em outros campos, eles acham que mais trabalho precisa ser feito para desenvolver e treinar um modelo que possa codificar com precisão o sentimento de mais técnicos, linguagem e sintaxe específicas do campo. Outra restrição, eles dizem, é que apenas um número limitado de artigos que eles procuraram analisar eram de acesso aberto, o que significava que eles tinham que avaliar resumos em vez de artigos completos. "Estamos apenas arranhando a superfície aqui, mas este é definitivamente um passo na direção certa, "diz Van Houtan.

Ainda, eles acham que esta é uma técnica que pode e deve ser aplicada de forma mais ampla tanto na biologia da conservação quanto em outros campos para dar sentido à vasta quantidade de pesquisas que agora estão sendo conduzidas e publicadas. "Tanto trabalho de conservação local passa despercebido pela comunidade conservacionista global, e este artigo mostra como o aprendizado de máquina pode ajudar a eliminar essa lacuna de informações, "diz Joppa.

"Muitas dessas técnicas estão em uso há mais de uma década em ambientes comerciais, mas esperamos traduzi-los em ambientes como o nosso para combater as mudanças climáticas ou a poluição por plásticos ou para promover a conservação de espécies ameaçadas de extinção, "Van Houtan diz." Há uma infinidade de dados que estão ao nosso alcance, mas é este gigante adormecido porque não é devidamente curado ou organizado, o que torna a análise difícil. Queremos conectar pessoas com ideias, capacidade, e soluções técnicas que eles não poderiam encontrar de outra forma, para que possamos trazer algum progresso para esses problemas aparentemente intratáveis. "