آماتور یا حرفه ای: ارزیابی تخصص مشارکت کنندگان اصلی در OpenStreetMap بر اساس رفتارهای مشارکتی

خلاصه

پروژه های داوطلبانه اطلاعات جغرافیایی (VGI) مانند OpenStreetMap (OSM)، یک راه جایگزین برای تولید داده های جغرافیایی فراهم می کند. تحقیقات ثابت کرده است که داده‌های به‌دست‌آمده در برخی مناطق از کیفیت مناسبی برخوردار هستند که استفاده از آنها را در برنامه‌های مختلف تضمین می‌کند. اگرچه این دستاوردها معمولاً به جامعه ناهمگن عظیمی که عمدتاً متشکل از آماتورها است نسبت داده می شود، در واقع درصد کمی از مشارکت کنندگان اصلی تقریباً همه مشارکت ها را انجام می دهند. در این مقاله، ما رفتارهای کمک‌کننده این مشارکت‌کنندگان را بررسی می‌کنیم تا بفهمیم که آیا واقعاً حرفه‌ای هستند یا خیر. شاخص های مختلفی برای نشان دادن رفتارها در سه موضوع استفاده می شود: تمرین، مهارت و انگیزه، با هدف شناسایی شواهد محکم برای تخصص. مطالعات موردی ما نشان می دهد که اکثر مشارکت کنندگان عمده در آلمان، فرانسه و بریتانیا به سختی آماتور هستند، اما در عوض حرفه ای هستند. این مشارکت کنندگان تجربیات غنی در زمینه ویرایش داده های جغرافیایی دارند، درک مناسبی از نرم افزار حرفه ای دارند و با اشتیاق و تمرکز روی پروژه کار می کنند. کمتر غیرمنتظره است که آنها بتوانند داده های جغرافیایی با کیفیت بالا ایجاد کنند.

کلید واژه ها:

اطلاعات جغرافیایی داوطلبانه OpenStreetMap ; تخصص ; رفتار – اخلاق

1. معرفی

پیشرفت‌های اخیر در پروژه‌های داوطلبانه اطلاعات جغرافیایی (VGI)، مانند OpenStreetMap، منجر به افزایش روند استفاده از داده‌ها در برنامه‌های مختلف شده است. به عنوان نگرانی اصلی داده های جمع سپاری، کیفیت داده های OSM توسط چندین مطالعه قبلی مورد توجه قرار گرفته است. Neis داده‌های OSM در آلمان را با مجموعه داده‌های TomTom Multinet مقایسه کرد و نشان داد که داده‌های OSM نسبت به طول کل جاده از کامل بودن نسبتاً بالایی برخوردار است [ 1 ]. هاکلی هم دقت موقعیتی و هم کامل بودن داده های OSM را در بریتانیا با استفاده از Ordnance Surveydatasets تجزیه و تحلیل کرد و گزارش داد که داده ها در لندن دارای خطای مکانی حدود 6 متر با پوشش نسبتاً کامل برای مناطق شهری هستند [2] .]. Girres با استفاده از مجموعه داده های مرجع در مقیاس بزرگ BD TOPO تحقیق را در فرانسه گسترش داد و نتایج مشابهی گرفت [ 3 ]. فرقانی و دلاور سازگاری داده‌های OSM را با داده‌های مرجع در تهران تجزیه و تحلیل کردند و کیفیت نسبتاً خوبی داده را تأیید کردند [ 4 ]. اگرچه کیفیت داده‌های گزارش‌شده بسیار ناهمگن است، اما این موارد ثابت کرده‌اند که داده‌های VGI می‌توانند به کیفیت خوبی دست یابند، که استفاده از آنها را در برنامه‌های مختلف تضمین می‌کند. پارکر و همکاران دریافتند که داده‌های VGI نسبت به اطلاعات جغرافیایی حرفه‌ای (PGI) مزایایی دارند که ویژگی‌های جغرافیایی ماهیت پویا دارند [ 5 ] و پیشنهاد می‌کنند که VGI می‌تواند به طور موثر PGI را به‌ویژه در جنبه ارزی افزایش دهد [ 6]]. برخی از شرکت‌های تجاری، مانند Foursquare، به OSM به عنوان ارائه‌دهنده نقشه خود [ 7 ] روی آوردند و طیف گسترده‌ای از برنامه‌ها، مانند OpenRouteService، بر روی داده‌های OSM ساخته شدند [ 8 ]. کیفیت و ارزش داده‌های OSM بر خلاف جامعه‌ای که عمدتاً متشکل از آماتورها است کاملاً غیرمعمول است، به‌ویژه اگر به یاد بیاوریم که تولید داده‌های جغرافیایی سنتی یک کار بسیار منظم با شرکت‌کنندگان حرفه‌ای است.

مکانیسم‌های تعاونی تا حدی می‌توانند وضعیت را توضیح دهند، از جمله «علم شهروندی» و «کار وصله کاری» [ 9 ، 10 ، 11 ]، قانون Linus در زمینه VGI [ 12 ] و همکاری‌های اجتماعی بین مشارکت‌کنندگان [ 13 ]. با این حال، ویژگی های مشارکت کنندگان فردی، مانند تخصص [ 14 ]، تحصیلات و درآمد [ 15 ]، هنوز به طور قابل توجهی اهمیت دارند [ 11]]. این منجر به یک سوال طبیعی می شود: آیا بیشتر مشارکت ها در واقع از طرف آماتورها می آیند؟ برای پرداختن به این سوال، ابتدا باید در نظر داشته باشیم که مشارکت‌ها در OSM بسیار نابرابر هستند، با اقلیتی از همه مشارکت‌کنندگان به نام مشارکت‌کنندگان اصلی تقریباً همه مشارکت‌ها را به خود اختصاص می‌دهند [ 1 ، 16 ، 17 ]. ویکی‌پدیا پدیده‌ای مشابه دارد، جایی که اکثر ویرایش‌ها توسط تعداد کمی از کاربران بسیار فعال انجام می‌شود. علاوه بر این، پیشنهاد می‌شود که این کاربران حرفه‌ای هستند و برای اطمینان از کیفیت مقاله‌های ویکی‌پدیا نقش‌های حیاتی ایفا می‌کنند [ 18 ، 19 ]. آیا مشارکت کنندگان اصلی در OSM نیز حرفه ای هستند، با وجود اینکه جامعه عمدتاً از آماتورها تشکیل شده است؟

در این مقاله، ما یک رویکرد مبتنی بر رفتار را برای ارزیابی تخصص مشارکت‌کنندگان اصلی معرفی می‌کنیم، با هدف استنباط اینکه آیا آنها حرفه‌ای هستند یا آماتور. شاخص‌ها در سه موضوع تمرین، مهارت و انگیزه برای به تصویر کشیدن چندین رفتار گروه‌بندی می‌شوند، که سپس برای قضاوت در مورد حرفه‌ای بودن هر یک از مشارکت‌کنندگان اصلی ترکیب می‌شوند. ساختار بخش‌های باقی‌مانده به این صورت است: بخش 2 کارهای مرتبط را مورد بحث قرار می‌دهد و ضرورت کار ما را نشان می‌دهد. بخش 3 منطق پشت رویکرد ما را شرح می دهد، شاخص هایی را برای توصیف رفتارها و نحوه ترکیب رفتارها برای استنتاج تخصص معرفی می کند. بخش 4 آلمان، فرانسه و بریتانیا را برای انجام مطالعات موردی انتخاب می کند و نتایج را مورد بحث قرار می دهد.بخش 5 این مقاله را به پایان می رساند و مسیرهای آینده را مورد بحث قرار می دهد.

2. کارهای مرتبط

تحقیقات در مورد رفتارهای مشارکت کننده OSM برای اهداف مختلفی انجام شده است. تحقیقات اولیه بیشتر بر توصیف کل جامعه متمرکز بود و پیشنهاد می‌کرد که OSM به طور مشترک توسط آماتورها یا کاربران بی‌تجربه کمک می‌کرد [ 12 ، 20 ]، در حالی که کار بعدی توجه بیشتری به ناهمگونی در جامعه داشت [ 21 ]. Neis و Zipf مشارکت کنندگان OSM را به چهار کلاس تقسیم کردند و گزارش کردند که “نقشه نگاران ارشد” ویژگی های مختلفی دارند [ 22 ]. Mooney و Corcoran دریافتند که رفتارهای ویرایش مشترک قوی بین نقشه‌برداران برتر در لندن وجود دارد [ 13 ]. بارون و همکارانپروفایل ها و رفتارهای کاربر را در چارچوب ارزیابی کیفیت ذاتی برای OSM ادغام کرد و شرح مختصری از منطق اساسی ارائه کرد [ 23 ]. بگین و همکاران مشارکت کنندگان اصلی را با ترجیحات نوع ویژگی و انتخاب منطقه نقشه برداری به منظور ارزیابی کامل بودن داده ها در OSM مشخص کرد [ 24 ]. بوردوگنا و همکاران یک رویکرد تصمیم‌گیری زبانی برای ارزیابی کیفیت داده‌های VGI با استفاده از شاخص‌های کیفی بیرونی و درونی پیشنهاد کرد و پیشنهاد کرد که ارزیابی خودکار اطمینان از داوطلبان می‌تواند به بررسی قابلیت اطمینان آنها کمک کند [25 ]]. بوداتوکی و هیتورنثوایت با بررسی تعداد گره‌های کمک‌شده، طول عمر مشارکت‌ها و تعداد روزهای مشارکت، نقشه‌برداران جدی را شناسایی کردند. علاوه بر این، آنها انگیزه ها و ویژگی های مشارکت OSM را با استفاده از پرسشنامه بررسی کردند و گزارش کردند که بیش از نیمی از پاسخ دهندگان دارای سابقه تحصیلی مرتبط هستند [ 26 ].

اگرچه روش‌ها و نتایج موجود به طور مؤثر اهداف تحقیقاتی خود را برآورده می‌کنند، ما نمی‌توانیم مستقیماً از آنها برای قضاوت در مورد اینکه داده‌های OSM از حرفه‌ای‌ها یا آماتورها می‌آیند استفاده کنیم. اکثر تحقیقات قبلی یا بر روی کل جامعه یا بر روی “نقشه نگاران ارشد” انتخاب شده توسط بخش های سخت مشارکت، تجزیه و تحلیل انجام می دهند. ویژگی های مشارکت کنندگان عمده به دلیل جمعیت کم آنها به راحتی قابل پنهان است. علاوه بر این، بیشتر تحقیقات فقط آمار جمعیت را برای هر جنبه به طور جداگانه پیشنهاد می‌کنند، در حالی که نحوه همزیستی این ویژگی‌ها برای افراد هنوز نامشخص است. شاخص های موجود نیز برای استنباط قوی از تخصص کافی نیستند. بیشتر تحقیقات فقط در مورد جنبه عملی بحث می کنند، یعنی.، طول عمر و میزان مشارکت، که به تنهایی قابل اعتماد نیستند [ 27 ]. روش های مبتنی بر پرسشنامه عاری از این مشکلات هستند و باید بسیار قابل اعتماد باشند، اما حجم نمونه معمولا کوچک است و از سوگیری بالقوه رنج می برد.

3. روش ها

در این بخش، رابطه بین تخصص و رفتارها را مورد بحث قرار می دهیم و یک چارچوب مفهومی برای قضاوت در مورد حرفه ای بودن مشارکت کنندگان ایجاد می کنیم. پس از آن، شاخص‌هایی را معرفی می‌کنیم که حول سه موضوع گروه‌بندی شده‌اند: تمرین، مهارت و انگیزه. در پایان، رفتارهای نشان‌داده‌شده توسط شاخص‌ها برای تصمیم‌گیری درباره حرفه‌ای بودن یک مشارکت‌کننده اصلی جمع‌آوری می‌شوند.

3.1. حرفه ای ها و آماتورها

درصد کمی از مشارکت کنندگان به نام مشارکت کنندگان اصلی بیشترین مشارکت را در پروژه OSM دارند. در این مقاله، ما مشارکت‌کنندگان اصلی را به عنوان مشارکت‌کنندگان برتر تعریف می‌کنیم که بیش از 90 درصد از مشارکت‌ها را در کل تشکیل می‌دهند. تعداد مشارکت کنندگان انتخاب شده توسط تعداد کل مشارکت کنندگان و میزان نابرابر بودن مشارکت ها تعیین می شود. این رویکرد تضمین می‌کند که مشارکت‌کنندگان تحلیل شده می‌توانند توضیح دهند که بیشتر داده‌های OSM از کجا می‌آیند، در حالی که از حواس‌پرتی ناشی از کاربران غیرفعال اجتناب می‌کنند. این رویکرد همچنین در برابر تغییرات بین کشورهای مختلف قوی تر است.

اندازه گیری مختصر تخصص همکاران OSM به دلیل کمبود اطلاعات تکمیلی دشوار است. در این مقاله، ما فقط سطح تخصص را به دو دسته حرفه ای و آماتور تقسیم می کنیم که در آن آماتور برابر با غیر حرفه ای است. تعاریف بسیاری از حرفه ای و آماتور وجود دارد که عمدتاً به دو شاخه تعلق دارند: غیر ماهر / ماهر و بدون دستمزد / حقوق [ 19 ]. در ادبیات تحقیق VGI یا Web 2.0، متخصصان معمولاً به عنوان افراد ماهر و بسیار منظم [ 28 ] یا حتی دارای درک عمیق از نظریه های مرتبط [ 29 ] تعریف می شوند، در حالی که آماتورها اغلب فاقد دانش یا مهارت هستند و با نگرش های اوقات فراغت کار می کنند [ 19 ، 30]]. در این مقاله، حرفه‌ای‌ها کسانی هستند که از شیوه‌های غنی به‌عنوان پیش‌زمینه‌ای قوی در گذشته برخوردارند، مهارت‌های مناسبی برای انجام کارها در لحظه دارند و نگرش‌های جدی برای اطمینان از بهبود خود در آینده دارند.

مشارکت کنندگان VGI به طور مداوم مهارت های خود را در طول کار مشترک بهبود می بخشند، به طوری که یک آماتور ممکن است پس از سال ها شرکت حرفه ای شود. در این مقاله، در صورتی که کاربر در پایان دوره تحقیق حرفه ای باشد، آن را حرفه ای می نامیم.

3.2. رفتارها و تخصص

سطوح مختلف تخصص ممکن است منجر به رفتارهای متفاوتی شود. با این حال، رفتارها می توانند تحت تأثیر عوامل بسیاری قرار گیرند و به ندرت می توانند تخصص را برعکس «اندازه گیری» کنند. با توجه به اینکه E نشان دهنده یک مشارکت کننده اصلی حرفه ای بودن و B نشان دهنده رفتار b ارائه شده است، اگر b برای یک مشارکت کننده اصلی مشاهده شود، می توانیم با استفاده از تعریف احتمال شرطی، احتمال حرفه ای بودن او را محاسبه کنیم:

پ (E | ب) = پ ( E \cap ب ) پ ( ب )

(1)

علاوه بر این، احتمال اینکه یک کاربر حرفه ای رفتار b را داشته باشد این است:

پ (B | E) = پ ( B \cap E ) پ ( E )

(2)

در حالت ایده آل، این باید باشد

P (E | B) \to 1

P (B | E) \to 1

تا آنجا که ممکن است، بنابراین ما می‌توانیم هم دقت بالا و هم یادآوری بالا را بدست آوریم [ 31 ]، و رفتار b در واقع معیار خوبی برای سنجش تخصص است.

P (E)

P (B)

P (E \cap B)

همه در مورد ما ناشناخته هستند، و انتخاب رفتارها بر اساس این معادلات را غیرممکن می کند. خوشبختانه، برخی دستورالعمل‌های ممکن برای اطمینان از اعتبار وجود دارد. با توجه به قضیه بیز [ 32 ]، دقت:

پ (E | ب) = 1-_پ ( B | \neg E ) پ ( ب ) / ص ( \neg E )

(3)

بدیهی است که اگر

P (B) / P (\neg E) > P (B) ↛ 0

P (B | \neg E) \to 0

، می توانیم دقت بالایی داشته باشیم. اگر رفتارهایی را انتخاب کنیم که به ندرت باید در آماتورها دیده شوند، اما در میان همه مشارکت کنندگان اصلی نسبتاً نادر نیستند، می توانیم بسیار مطمئن باشیم که مشارکت کنندگان با رفتار b حرفه ای هستند.

استفاده از چندین رفتار مرتبط نیز ممکن است دقت را افزایش دهد. معادله دیگری را بر اساس قضیه بیز در نظر بگیرید:

پ (E | ب) = پ ( B | E ) پ ( E ) پ ( ب )

(4)

دقت با استفاده از دو رفتار تبدیل می شود:

پ (E | ب \cap ب “) = پ ( B \cap ب “ | E ) پ ( E ) پ ( B \cap ب “ )

(5)

اگر

P (B \cap B^{'} | E) \approx P (B | E)

P (B \cap B^{'}) < P (B)

، سپس

P (E | B \cap B^{'}) > P (E | B)

. این بدان معناست که اگر این دو رفتار ویژگی‌های متفاوتی را توصیف می‌کنند، اما تمایل دارند در افراد حرفه‌ای همزیستی داشته باشند، می‌توانیم با استفاده از b و دقت بهتری به دست آوریم.

b^{'}

با یکدیگر. از سوی دیگر، فراخوانی

P (B | E)

اگر هر مشارکت کننده حرفه ای رفتار b را داشته باشد 1 می شود . با این حال، یک رفتار به سختی می تواند به آن دست یابد. یک راه حل این است که چندین رفتار را برای تکمیل یکدیگر مشاهده کنید، به طوری که

P (B | E) = p (B_{1} \cup B_{2} | E) \to 1

استنباط تخصص بر اساس رفتارها همیشه مستلزم «حدس زدن» است، اما اگر از دستورالعمل‌های زیر برای انتخاب شاخص‌ها پیروی کنیم، نتایج باید معتبر باشد:

(1): رفتارهایی را انتخاب کنید که باید در بین آماتورها نادر باشد، اما در بین همه مشارکت کنندگان اصلی نسبتاً رایج است. این حیاتی ترین نیاز است.
(2): رفتارهای متعددی را انتخاب کنید، به طوری که هر رفتار، چیزهای متفاوتی را توصیف کند، اما آنها تمایل دارند در افراد حرفه ای همزیستی داشته باشند.
(3): رفتارهای متعددی را انتخاب کنید، به طوری که همه رفتارها بتوانند اکثر حرفه ای ها را پوشش دهند، یعنی یک مشارکت کننده حرفه ای باید کم و بیش این رفتارها را داشته باشد.

3.3. نشان دادن تخصص در موضوعات

ما از داده های تغییرات به عنوان منبع داده اصلی خود برای بررسی رفتارهای مشارکت کننده استفاده می کنیم. مجموعه تغییرات شامل همه مشارکت‌ها در یک تراکنش است، با ابرداده برای توصیف جزئیات تراکنش. اطلاعات کلیدی مورد استفاده در این مقاله شامل تاریخ و زمان، تعداد تغییرات و نرم افزار است [ 33 ]. OpenStreetMap Wiki می‌تواند مکمل احتمالی باشد، اما حساب‌های موجود در OSM Wiki با حساب‌های موجود در OSM [ 34 ] مرتبط نیستند ، بنابراین ما از آنها استفاده نمی‌کنیم. ما شاخص هایی را برای توصیف رفتارها بر اساس اطلاعات جمع آوری شده معرفی می کنیم. مقادیر معینی از شاخص‌ها ممکن است رفتارهای خاصی را نشان دهند که ممکن است به نوبه خود شواهدی برای تخصص بالا باشد.

ما از سه گروه شاخص در زمینه‌های تمرین، مهارت و انگیزه استفاده می‌کنیم که با تعریف ما از حرفه‌ای در بخش 3.1 مطابقت دارد.. تمرین نشان می‌دهد که کاربر چقدر برای پروژه OSM تلاش می‌کند. مهارت نشان می دهد که یک مشارکت کننده چگونه می تواند به هدف خود در هنگام مشارکت داده دست یابد. انگیزه توضیح می دهد که چرا مشارکت کننده به OSM کمک می کند و تمایل او چقدر قوی است. تمرین مداوم در مورد یک موضوع مشخصه مهمی است که متخصصان را از افراد تازه کار متمایز می کند. مهارت‌هایی مانند توانایی مدیریت ابزارهای پیچیده خاص دامنه، می‌تواند نشانه‌ای قوی باشد که نشان می‌دهد کاربر هم با مفاهیم خاص دامنه آشنا است و هم در انجام وظایف ایجاد داده مؤثر است. انگیزه های قوی تعیین می کند که آیا شرکت کنندگان همیشه بهترین تلاش خود را برای ارائه داده های بهتر و بهبود مستمر خود انجام می دهند یا خیر. طبق تعریف ما، این سه موضوع باید بیشتر رفتارهای متخصصان را پوشش دهد. همچنین قابل ذکر است که این سه موضوع متعامد نیستند. تمرین بیشتر به طور کلی باعث ایجاد مهارت های بهتر می شود. انگیزه های قوی تر منجر به تمرین بیشتر می شود. مهارت های بهتر باعث ایجاد اعتماد به نفس بیشتر و بیان موثرتر می شود، که می تواند انگیزه مهمی برای تمرین VGI باشد.26 ].

3.3.1. تمرین

به دلیل ناشناس بودن مشارکت‌های OSM، اطلاع از پیشینه مشارکت‌کنندگان تقریباً غیرممکن است. این بدان معناست که ما به سختی می توانیم یک استاد در جغرافیا را از یک آماتور تشخیص دهیم که تقریباً هیچ چیز در مورد جغرافیا نمی داند، اگر هر دو ویرایش های کمی انجام دهند. با این حال، برخی از مشارکت‌کنندگان زمان زیادی را صرف پروژه می‌کنند، که تنها می‌تواند آنها را از آماتورها در جمع‌آوری داده‌های VGI متمایز کند. ما شاخص های زیر را در نظر می گیریم:

(1): تعداد روزهای مشارکت: مقادیر بزرگ نشان می‌دهد که کاربر دائماً وقت خود را به تمرین ایجاد داده اختصاص می‌دهد، که به ندرت برای آماتورها اتفاق می‌افتد. علاوه بر این، حتی اگر یک مشارکت‌کننده در ابتدا فاقد برخی مهارت‌ها باشد، بعید است که پس از مدت‌زمان آموزش همچنان آماتور باشد.
(2): بازه زمانی بین اولین مشارکت و آخرین مشارکت: محدوده طولانی به این معنی است که یک مشارکت کننده حداقل برای مدت طولانی از پروژه آگاه است، به طوری که ممکن است درک بهتری از نحوه توسعه پروژه داشته باشد. این همچنین نشان می دهد که کار یا علاقه اصلی او ممکن است در زمینه های مرتبط با جغرافیا باشد. بردهای بسیار طولانی، مانند 3 سال، به ندرت برای آماتورها اتفاق می افتد.
(3): تعداد هفته‌های مشارکت: اولین نشانگر دارای سوگیری در عادت‌های مشارکتی است، زیرا کاربر اگر 100 ویرایش در یک روز انجام دهد بیشتر از 50 ویرایش در 3 روز بیشتر بیاموزد. این نشانگر می تواند به یافتن این نوع از دست دادن و افزایش یادآوری کمک کند. هفته‌های مشارکت بیشتر می‌تواند نشان‌دهنده این باشد که کاربر دائماً دانش خود را در مورد این پروژه تجدید می‌کند. تعداد زیادی از هفته ها به سختی می تواند برای آماتورها اتفاق بیفتد، مانند مورد روزهای مشارکت.

دو شاخص اول بسیار شهودی هستند و در تحقیقات قبلی ظاهر شده اند [ 26 ]. برای همه شاخص ها، برای هر مشارکت کننده یک مقدار دریافت می کنیم. سپس انحراف مطلق میانه و میانه را برای هر نشانگر محاسبه می کنیم و نمودارهای جعبه را ترسیم می کنیم تا توزیع ها را بیشتر به تصویر بکشیم. آمارهای مبتنی بر میانه انتخاب می‌شوند، زیرا ماهیت توزیع‌های زیربنایی را نمی‌دانیم و ممکن است به دلیل وجود واردات و ویرایش‌های خودکار، موارد پرت وجود داشته باشد. آمار قوی می تواند این شرایط را بهتر مدیریت کند.

3.3.2. مهارت

ما عمدتاً بر مهارت استفاده از ابزارهای پیچیده و توانایی استفاده از ابزارهای مختلف تمرکز خواهیم کرد. ابزارهای زیادی برای کمک به داده های OSM در دسترس هستند، از جمله JOSM، Potlatch و iD ابزارهای معمولی هستند که به سطوح مختلف تخصص نیاز دارند. همانطور که می بینید، این بدان معنا نیست که مشارکت کنندگانی که از iD استفاده می کنند نسبت به کسانی که از JOSM استفاده می کنند حرفه ای تر هستند. با این حال، آماتورها به دلیل محدودیت مهارت ها و پیچیدگی وظایف، به ندرت ابزارهای سخت، اما قدرتمند را انتخاب می کنند.

JOSM ( شکل 1 الف) یک برنامه دسکتاپ است که به زبان جاوا نوشته شده است. این مجموعه کامل ترین عملکردها را در بین همه ابزارها دارد و بنابراین، قادر به انجام انواع کارهای OSM از رفع سریع خطا تا ویرایش و آپلود گسترده است. با توجه به قابلیت بارگذاری داده های آفلاین، می توان آن را با ابزارهای پیشرفته دیگر تکمیل کرد. با این حال، قدرت تا حدودی به قیمت در دسترس بودن است. در مرحله اول، کاربران باید بسته را دانلود کنند و اگر قبلاً انجام نشده است، JVM را نصب و پیکربندی کنند. این گام های اضافی در وهله اول افراد تازه کار کامپیوتر را از استفاده از آن باز می دارد. ثانیاً، اتحاد بزرگ عملکردها مؤلفه‌های بسیاری را با اصطلاحات خاص دامنه به همراه می‌آورد که نیازمند تلاش برای یادگیری یا حتی دانش مقدماتی در زمینه جغرافیا است.

Potlatch ( شکل 1 ب) یک برنامه کاربردی مبتنی بر وب است که در Flash نوشته شده است. همچنین دارای قابلیت های زیادی است، اما فاقد برخی ویژگی های پیشرفته مانند آپلود دسته ای به دلیل محدودیت پلت فرم است. نیاز به نصب فلش از قبل دارد، اگرچه در بسیاری از شرایط قبلاً چنین است. کاربران نیازی به دانلود نرم افزار ندارند. قدرت و سهولت استفاده از این اپلیکیشن هر دو در سطح متوسط است.

iD ( شکل 1 ج) جدیدترین ویرایشگر در میان این سه ویرایشگر است که از فناوری‌های وب بدون افزونه در سال‌های اخیر بهره می‌برد. با iD، کاربر فقط می‌تواند ویرایش‌های اولیه را انجام دهد، مانند ردیابی تصاویر ماهواره‌ای برای ایجاد ویژگی‌ها، یا افزودن و ویرایش برچسب‌ها. با این حال، رابط کاربری بسیار شهودی و آسان برای استفاده حتی برای مبتدیان است. همچنین در بین این سه مورد در دسترس ترین است. مشارکت‌کنندگان فقط از صفحه بازدید می‌کنند، از هر رایانه‌ای با مرورگر وب وارد سیستم می‌شوند و بلافاصله شروع به کار می‌کنند.

ما در این بخش شاخص های زیر را محاسبه می کنیم:

(1): نرم افزار اصلی مورد استفاده: در اینجا “نرم افزار اصلی” نرم افزاری است که برای ایجاد اکثر تغییرات استفاده می شود. استفاده از JOSM، Potlatch یا iD به عنوان ابزار اصلی به ترتیب به مهارت بالا، متوسط و پایین نیاز دارد. بسیار بعید است که یک آماتور از JOSM به عنوان ویرایشگر اصلی برای ایجاد بسیاری از داده ها استفاده کند. با این حال، متخصصان همچنین ممکن است Potlatch یا حتی iD را به‌عنوان ویرایشگر اصلی به‌دلیل عوامل مختلفی مانند انواع کمک‌کننده، ترجیحات شخصی و محیط‌های کاری انتخاب کنند. این مشکل ممکن است یادآوری را کاهش دهد، اما می تواند با شاخص های دیگر تکمیل شود.
(2): از JOSM در ماه اول دوره تحقیق ما استفاده کنید: این نشان دهنده مهارت های مشارکت کنندگان بدون میزان تمرین نشان داده شده در بخش “تمرین” است. کاربرانی که از ابتدا از JOSM استفاده می‌کنند، احتمالاً باید حرفه‌ای باشند یا حتی از پیشینه مرتبط باشند. آماتورها به سختی چنین رفتار می کنند.
(3): اینکه آیا از یک نرم‌افزار ثانویه استفاده می‌شود یا خیر: ما فقط ویرایشگرهایی را محاسبه می‌کنیم که بیش از 30 مجموعه تغییر یا بیش از 1000 تغییر را تشکیل می‌دهند. ما معتقدیم که این میزان استفاده نمی تواند به طور تصادفی اتفاق بیفتد. استفاده از یک نرم‌افزار ثانویه نشان می‌دهد که کاربر تسلط خوبی بر چندین ابزار دارد و به طور انعطاف‌پذیر در زمینه‌های مختلف مشارکت می‌کند. آماتورها با مهارت ها و انگیزه های ناکافی به سختی می توانند به آن دست یابند. ما همچنین محاسبه می کنیم که آیا یک نرم افزار درجه سوم برای مرجع استفاده می شود یا خیر.

3.3.3. انگیزه

دانستن انگیزه های دقیق بدون مصاحبه یا پرسشنامه نسبتاً سخت است. ما روی قدرت انگیزه ها و اینکه آیا کاربران برای کار یا اوقات فراغت کمک می کنند تمرکز می کنیم. بنابراین نتایج محدود هستند، اما هنوز هم شواهد قوی برای تخصص ارائه می‌دهند. برخی از شاخص‌هایی که قبلاً توضیح داده شد، شواهدی برای انگیزه‌های قوی ارائه می‌دهند، مانند تعداد روزهای مشارکت و تعداد هفته‌های مشارکت. ما دو شاخص اضافه می کنیم که به طور خاص برای انگیزه معنادار هستند.

(1): طولانی ترین روزهای متوالی برای مشارکت یا مشارکت در رگه ها: شکستن زنجیره سخت است، بنابراین این شاخص نشان دهنده میزان فداکاری یک مشارکت کننده و میزان اشتیاق او است. به خصوص، یک زنجیره طولانی تر از یک هفته به این معنی است که فرد هر روز بدون توجه به اینکه روز هفته باشد یا آخر هفته، مشارکت می کند، که نشانه مهمی است که مشارکت کننده اشتیاق زیادی به OSM دارد.
(2): بهره وری در روزهای هفته در مقابل تعطیلات آخر هفته: به طور معمول، مشارکت کنندگان VGI براساس علاقه توصیف می شوند، بنابراین بهره وری در روز باید به طور قابل توجهی نسبت به آخر هفته ها تعصب داشته باشد. اگر کاربر در روزهای هفته و آخر هفته به طور مساوی مشارکت داشته باشد یا حتی در روزهای هفته بازدهی بیشتری داشته باشد، بعید است که او فقط انگیزه های اوقات فراغت داشته باشد. این نوع از مشارکت کنندگان حتی ممکن است از کمک های OSM امرار معاش کنند. برای محدود کردن مقدار به یک محدوده محدود، از یک مقدار پراکسی استفاده می کنیم $W_{d} = C_{d} / (C_{d} + C_{e})$ ، جایی که $C_{d}$ است مشارکت در هر روز در روزهای هفته و $C_{e}$ مشارکت در هر روز در تعطیلات آخر هفته است. بدیهی است که $W_{d} = 0.5$ به این معنی که بهره وری در روزهای هفته و آخر هفته برابر است، در حالی که مقادیر بزرگتر نشان دهنده بهره وری نسبتاً بالاتر در روزهای هفته است.

ما از آمارهای قوی برای این شاخص ها نیز استفاده می کنیم.

3.4. به تصویر کشیدن تخصص افراد

هر شاخصی که قبلا ذکر شد می‌تواند نحوه رفتار جمعیت مشارکت‌کنندگان اصلی را در یک جنبه خاص توصیف کند. با این حال، تنها پس از بررسی نحوه همزیستی رفتارها در مشارکت‌کننده، می‌توانیم تصمیم بگیریم که آیا فرد حرفه‌ای است یا خیر. برای بررسی نحوه رفتار هر فرد، ابتدا آستانه هایی را برای تبدیل مقادیر گسسته به مقادیر دوگانه تعیین می کنیم. پس از آن، تمام اندیکاتورها مقادیر درست/نادرست را تولید می کنند و هر کدام یک رفتار را نشان می دهند، همانطور که در جدول 1 نشان داده شده است .

آستانه ها ارزش هایی هستند که ما معتقدیم آماتورها به سختی می توانند به آنها دست یابند. آستانه های دستی گاهی مستعد خطا هستند، اما قدرت استنتاجی در اینجا زیاد کاهش نمی یابد، زیرا از دستورالعمل های بخش 3.2 پیروی می کنیم . سپس می‌توانیم محاسبه کنیم که چگونه این رفتارها در هر مشارکت‌کننده وجود دارد. رفتارهای بیشتر به معنای تخصص بالاتر نیست و مشارکت کنندگانی که هیچ یک از این رفتارها را نشان نمی دهند، لزوما آماتور نیستند. با این حال، نشان دادن بیشتر این رفتارها، اعتماد ما را به حرفه ای بودن یک مشارکت کننده افزایش می دهد.

4. مطالعه موردی

این بخش مطالعه موردی را برای سه کشور آلمان، فرانسه و بریتانیا ارائه می‌کند. ما شاخص هایی را در سه موضوع تمرین، مهارت و انگیزه برای هر سه کشور محاسبه می کنیم. بر اساس این آمار، ما بحث هایی را در مورد اینکه آیا مشارکت کنندگان اصلی حرفه ای هستند ارائه می دهیم.

4.1. انتخاب مشارکت کنندگان اصلی

ما آلمان، فرانسه و بریتانیا را به عنوان حوزه های تحقیقاتی خود انتخاب می کنیم زیرا: (1) OSM در این مکان ها بسیار خوب توسعه می یابد، با حجم کافی از داده ها برای اهمیت آماری. (2) بر اساس تحقیقات قبلی، کیفیت داده ها در این زمینه ها بسیار خوب، قابل مقایسه یا حتی بهتر از داده های تجاری در برخی جنبه ها است [ 1 ، 12 ، 13 ]. (3) واردات یا ویرایش خودکار کمتری در این زمینه‌ها وجود دارد، بنابراین می‌توانیم تقریباً همه مشارکت‌کنندگان را افرادی در نظر بگیریم که تلاش‌های فکری انجام می‌دهند.

داده های Changeset از PlanetOSM [ 35 ] دانلود می شوند. فقط از داده‌های ابتدای سال 2010 تا پایان سال 2014 استفاده می‌شود، زیرا ابرداده‌های تغییرات قبل از سال 2010 ناقص هستند و ما از داده‌ها در تمام سال‌ها برای جلوگیری از سوگیری فصلی استفاده می‌کنیم. سپس تغییرات را در آلمان، فرانسه و بریتانیا استخراج می کنیم. بر اساس این داده ها، ما مشارکت کنندگان اصلی را با روش های زیر انتخاب می کنیم:

(1): مجموع مشارکت برای هر مشارکت کننده در هر سال را محاسبه کنید.
(2): برای هر سال، مشارکت‌کنندگان برتر را پیدا کنید: در آن سال، مجموع مشارکت‌های آن‌ها باید از 90 درصد کل مشارکت‌ها بیشتر شود.
(3): مجموعه های اتحادیه از مشارکت کنندگان برتر در هر سال: نتایج مشارکت کنندگان اصلی در آن حوزه هستند.

در اینجا، به‌جای انتخاب مشارکت‌کنندگان برتر تمام دوران، مشارکت‌کنندگان برتر را برای هر سال محاسبه می‌کنیم. ما از مقایسه مشارکت کنندگان در سال های مختلف اجتناب می کنیم زیرا اهمیت یک مشارکت ممکن است همراه با توسعه پروژه OSM تغییر کند. برای هر مشارکت کننده، ما تمام مشارکت های او را در دوره تحقیقاتی خود در سطح جهانی پیدا می کنیم. دلیل استفاده از همه مشارکت‌ها به جای مشارکت در حوزه‌های تحقیقاتی این است که ما به ویژگی‌های افراد علاقه‌مندیم، نه ویژگی‌های ارائه‌شده در حوزه‌های خاص.

همانطور که در جدول 2 نشان داده شده است، 5.02٪ از 85433 مشارکت کننده در آلمان (DE)، 2.33٪ از 32،686 مشارکت کننده در فرانسه (FR) و 3.36٪ از 23،439 مشارکت کننده در بریتانیا (بریتانیا) را انتخاب می کنیم. بدیهی است که کمک های OSM در فرانسه دارای بالاترین نابرابری است و پس از آن انگلستان. آلمان کمترین نابرابری سهم را دارد، اما سهم ها در آنجا هنوز بسیار نابرابر است.

حداکثر مقادیر مشارکت در فرانسه و بریتانیا به طور قابل توجهی کمتر از آلمان است، در حالی که حداقل مقادیر مشارکت از 2.6 هزار در آلمان تا 21 هزار در فرانسه متغیر است. میانگین و MADin فرانسه تقریباً ده برابر آلمان و پنج برابر بریتانیا است. شکل 2بیشتر توزیع مشارکت ها را نشان می دهد. توزیع ها به قدری کج هستند که باید محور را به 1500000 مشارکت محدود کنیم تا کادرها را به وضوح تجسم کنیم. اندازه های بسیار نامتعادل دو قسمت جعبه، چولگی را نشان می دهد. مقادیر میانگین خارج از جعبه ها و بسیاری از موارد پرت نشان می دهد که توزیع ها به سختی نرمال هستند و آمارهای قوی باید مناسب تر باشند. می‌توانیم تأیید کنیم که فرانسه کمیت‌ها و واریانس‌های بزرگ‌تری دارد که ممکن است نتیجه نابرابری سهم بالاتر باشد. به طور کلی، بهره وری مشارکت کنندگان عمده در سه کشور بسیار متفاوت است.

4.2. شاخص‌های تم

جدول 3 نشان می دهد که روزهای مشارکت به طور متوسط برای بیش از سه سال افزایش می یابد، به این معنی که مشارکت کنندگان باید برای مدت نسبتاً طولانی به جغرافیا علاقه مند باشند یا حتی حرفه خود را در زمینه های مرتبط انجام دهند. در همان زمان، آنها به طور متوسط 98 تا 164 روز و 47 تا 64 هفته را در این پروژه صرف می کنند. این مقدار آموزش صرفاً برای متمایز کردن آنها از آماتورها یا شهروندان عادی کافی است. همه اندیکاتورها دارای حداکثر مقادیر بسیار چشمگیر و MAD عظیمی هستند که نشان می دهد واریانس های زیادی حتی در میان مشارکت کنندگان اصلی وجود دارد. شکل 3نشان می‌دهد که روزها و هفته‌های مشارکت‌کننده نسبتاً دارای مقادیر پرت بالا هستند، اما بازه زمانی بین اولین و آخرین مشارکت کاملاً متعادل است. این یافته جالب نشان می دهد که کمک به طول عمر هیچ رابطه خطی بین روزها و هفته های کمک کننده واقعی ندارد.

همانطور که در شکل 4 و جدول 4 نشان داده شده است، اکثر مشارکت کنندگان عمده در آلمان و فرانسه از JOSM به عنوان ابزار ویرایش اصلی خود استفاده می کنند که قدرتمندترین و نیازمندترین ابزار است. این نسبت در بریتانیا کمتر است، اما بیش از 40٪ است. بیش از یک سوم از مشارکت کنندگان در آلمان و بریتانیا و نیمی از مشارکت کنندگان در فرانسه از ابزار ثانویه استفاده می کنند. نسبت استفاده از ابزار درجه سوم بسیار کمتر است، اما همچنان قابل توجه است. بسیاری از مشارکت‌کنندگان از JOSM به‌عنوان ویراستار اصلی خود در اولین ماه مشارکت‌کننده در طول دوره تحقیق ما استفاده می‌کنند، که نشان می‌دهد آنها در همان ابتدا کاملاً ماهر هستند. بنابراین ممکن است شاخص های ما برای تمرین حتی دست کم گرفته شود.

برای بخش انگیزش، جدول 5 نشان می‌دهد که نیمی از مشارکت‌کنندگان در طول یک هفته دارای رگه‌های مشارکتی هستند. زنجیره ای طولانی تر از یک هفته نشان می دهد که یک مشارکت کننده هر روز در یک هفته کامل کار می کند، صرف نظر از روزهای هفته یا آخر هفته، که دلیل محکمی بر انگیزه جدی است. توزیع طولانی ترین رگه ها کج است و بسیاری از مشارکت کنندگان به رگه های بسیار طولانی دست می یابند. شکل 5 a دوباره باید محور را به 0-50 محدود کند تا جزئیات چندک ها را ببیند. همانطور که در شکل 5 ب نشان داده شده است، که تا حدی با آمار جمعیت سازگار است، اکثر مشارکت کنندگان در تعطیلات آخر هفته به طور قابل توجهی بهره وری نمی کنند [ 22] .]. این پدیده نشان می دهد که انگیزه های آنها به سختی می تواند فقط اوقات فراغت باشد، بلکه ممکن است ترکیبی از اشتیاق زیاد، احساس مسئولیت و حتی شغل باشد.

ما رفتارها را بر اساس شاخص ها محاسبه می کنیم. درصد مشارکت کنندگان برای نشان دادن هر رفتار در شکل 6 نشان داده شده است . رفتارهای مربوط به موضوع عمل به طور کلی بیشتر رخ می دهد، در حالی که هر کشور ویژگی های منحصر به فردی دارد. شکل 7 تعداد رفتارهای ارائه شده توسط هر مشارکت کننده را نشان می دهد. نتایج به وضوح نشان می دهد که بیشتر مشارکت کنندگان چندین مورد از این رفتارها را نشان می دهند. نیمی از مشارکت کنندگان پنج رفتار از هشت مورد را نشان می دهند، در حالی که بیش از 75 درصد مشارکت کنندگان سه یا چهار رفتار را نشان می دهند. جدول 6 بیشتر نشان می دهد که تقریباً همه مشارکت کنندگان حداقل یکی از رفتارها را نشان می دهند. جدول 6همچنین نشان می دهد که کسانی که همه رفتارها را نشان می دهند نیز نادر هستند که لزوم استفاده از چندین رفتار را با هم تایید می کند.

4.3. بحث

آمار توصیفی نشان می دهد که مشارکت کنندگان عمده درصد بسیار کمی از جمعیت را تشکیل می دهند. بنابراین، توصیفات در مورد کل جامعه به سختی می تواند ویژگی های آنها را آشکار کند. بهره وری در مناطق مختلف بسیار متفاوت است، به طوری که تقسیم کردن جامعه توسط بخش های سخت جهانی ممکن است کمتر موثر باشد. واریانس‌های بسیار زیاد و توزیع‌های بسیار منحرف در یک کشور هشدار می‌دهند که آمارهای ساده جمعیت ممکن است باعث تعصب شدید شود.

بسیاری از مشارکت‌کنندگان دارای تاریخچه‌های طولانی مشارکت، تعداد زیادی روزهای مشارکت و/یا هفته‌های مشارکت زیادی هستند. این تلاش‌های تمرین تجربیات غنی را برای تولید داده‌های VGI به ارمغان می‌آورد و حاکی از توانایی‌های مناسب و انگیزه‌های جدی است. JOSM محبوب ترین ویرایشگر در میان همکاران اصلی در آلمان و فرانسه است و همچنین به طور گسترده در بریتانیا استفاده می شود. این حتی در ماه اول دوره تحقیقاتی ما نیز وجود دارد. بسیاری از مشارکت کنندگان توانایی و تمایل به استفاده از ابزارهای ثانویه را دارند. معمولاً رگه‌های طولانی‌تر از یک هفته در میان مشارکت‌کنندگان وجود دارد. تقریباً نیمی از مشارکت‌کنندگان داده‌ها را به طور مساوی در روزهای هفته و آخر هفته ایجاد می‌کنند. این پدیده ها تحت انگیزه های اوقات فراغت به سختی قابل درک هستند.

آمارهای فردی نشان می دهد که نیمی از مشارکت کنندگان پنج یا بیشتر از این رفتارها را نشان می دهند. فقط یک چهارم آنها کمتر از سه نفر دارند و بسیار نادر است که مشارکت کننده اصلی هیچ یک از این رفتارها را نداشته باشد. برخلاف نادر بودن این رفتارها برای آماتورها، همزیستی مشترک آنها روی این مشارکت کنندگان، اعتماد ما را به شدت افزایش می دهد که بیشتر مشارکت کنندگان اصلی آماتور نیستند، بلکه حرفه ای هستند. بیشتر داده‌های OSM در آلمان، فرانسه و بریتانیا در واقع از متخصصان می‌آیند.

در بین سه کشور، فرانسه بالاترین امتیاز را برای شاخص ها در هر سه موضوع کسب می کند. مشارکت کنندگان عمده در فرانسه تعداد کمی بالاتر از رفتارها را نشان می دهند که ممکن است به دلیل نابرابری سهم بیشتر باشد. بریتانیا استثناهایی مانند استفاده از JOSM را نشان می‌دهد که پیچیدگی رفتارهای مشارکت‌کننده در OSM را نشان می‌دهد. مقادیر شاخص ها معیارهای تخصص نیستند، بلکه معیارهایی برای اطمینان از حرفه ای بودن یک مشارکت کننده هستند. برای مثال، اگرچه مشارکت‌کنندگان بیشتری از JOSM به‌عنوان ویراستار اصلی استفاده می‌کنند، اما مشارکت‌کنندگان اصلی در فرانسه لزوماً مهارت بیشتری نسبت به بریتانیایی ندارند. همین امر در مورد تعداد رفتارها نیز صدق می کند. مشارکت‌کننده‌ای که همه رفتارها را نشان می‌دهد، لزوماً حرفه‌ای‌تر از دیگری نیست که هیچ یک از رفتارها را ندارد. با این حال،

نتایج ما با برخی از گزارش‌های موجود در ادبیات مطابقت دارد، اما همچنین پدیده‌های متفاوتی را نشان می‌دهد، زیرا مشارکت‌کنندگان اصلی در جمعیت، حتی در مقایسه با «نقشه‌نگاران ارشد» اقلیت هستند. با توجه به Neis و Zipf، تنها درصد بسیار کمی از مشارکت کنندگان در کل جمعیت در هر روز، هفته، ماه و سال مشارکت می کنند، که بیانگر روزها و هفته های کم مشارکت بیشتر افراد است [22]، که بسیار متفاوت از مورد افراد است . مشارکت کنندگان عمده مجموع مشارکت در هر روز هفته تفاوت چندانی ندارد، به خصوص برای گروه “نقشه نگاران ارشد” [ 22]، که با یافته های ما مطابقت دارد. سهم کمی بالاتر در روز یکشنبه در مورد ما مشاهده نمی شود. بوداتوکی و هیتورنثویت تنها 15.5 درصد «نقشه نگاران جدی» را از پاسخ دهندگان به نظرسنجی در رابطه با مشارکت، روزهای مشارکت و طول عمر انتخاب کردند [ 26 ]، در حالی که اکثر مشارکت کنندگان اصلی برای این معیارها نمرات بالایی دریافت می کنند. “نقشه نگاران جدی” انگیزه های نسبتا جدی دارند، اغلب با نگرانی های پولی یا شغلی [ 26 ]، که یافته های ما را تایید می کند.

5. نتیجه گیری ها

در این مقاله، ما به بررسی رفتارهای مشارکت‌کننده اصلی در OSM می‌پردازیم تا ارزیابی کنیم که آیا آنها حرفه‌ای هستند یا خیر. شاخص‌های سه موضوع تمرین، مهارت و انگیزه در آلمان، فرانسه و بریتانیا توزیع‌هایی را نشان می‌دهند که به سختی می‌توانند برای گروهی از آماتورها ظاهر شوند. اکثر مشارکت کنندگان رفتارهای مختلفی را نشان می دهند که آماتورها به ندرت دارند. مشارکت کنندگان اصلی در این سه کشور باید با اطمینان به جای آماتور، حرفه ای در نظر گرفته شوند. اگرچه جامعه عمدتاً متشکل از تعداد زیادی آماتور است، OSM ممکن است عمدتاً توسط گروهی از افرادی که پروژه را برای مدت طولانی دنبال می‌کنند، تجربه عظیمی در ایجاد داده‌های جغرافیایی دارند، به ابزارهای پیشرفته مسلط هستند و/یا تسلط خوبی دارند، ارائه می‌شود. از چندین ابزار مختلف این افراد پیوسته به شیوه ای نسبتاً جدی به OSM کمک می کنند و می توانند بر روی وظایف خود تمرکز کنند تا به ایجاد داده های جغرافیایی ادامه دهند. جای تعجب نیست که این افراد می توانند داده هایی با کیفیت بالا تولید کنند.

سه ویژگی کار ما را از تلاش های قبلی متمایز می کند. در مرحله اول، ما بر روی مشارکت کنندگان اصلی تمرکز می کنیم، بنابراین نتایج ما می تواند نشان دهد که آیا اکثر داده های OSM به خوبی از حرفه ای ها می آیند یا خیر. ثانیاً، ما عمداً در مورد تخصص بحث می کنیم و از دستورالعمل های مختلفی برای اطمینان از قدرت استنتاج استفاده می کنیم. در نهایت، اگرچه برخی از شاخص‌های کلاسیک، مانند مشارکت کل و طول عمر، هنوز در کار ما استفاده می‌شوند، ما شاخص‌های نوآورانه‌تری را برای نشان دادن تخصص از جنبه‌های مختلف معرفی می‌کنیم.

رویکرد ما راه ممکنی برای بررسی تخصص مشارکت‌کنندگان در زمانی که دانش مستقیم افراد در دسترس نیست، ارائه می‌کند، که معمولاً به دلیل ناشناس بودن کاربران OSM است. شاخص های معرفی شده در این مقاله همچنین می توانند برای تحلیل کیفیت داده های OSM ذاتی مفید باشند [ 23 ]. داده های ایجاد شده توسط مشارکت کنندگان حرفه ای باید قابل اعتمادتر باشد و می تواند به عنوان مرجع برای استنباط کیفیت داده های دیگر استفاده شود.

محدودیت اصلی کار ما این است که ما فقط از رفتارها برای استنباط ویژگی های مشارکت کنندگان استفاده می کنیم. اگرچه نتایج باید نسبتاً متقاعد کننده باشد، بهتر است اگر بتوانیم برخی اطلاعات مستقیم فردی را در همان زمینه به دست آوریم تا نتایج خود را تأیید کنیم. پرسشنامه یا نظرسنجی آنلاین ممکن است محتمل ترین راه برای دستیابی به آن باشد.

گسترش مستقیم مطالعه ما این است که بررسی کنیم که چگونه رفتارهایی که استفاده کردیم واقعاً با یکدیگر ارتباط متقابل دارند تا رابطه بین تخصص و رفتارهای کمک کننده را بیشتر درک کنیم. یکی دیگر از بهبودهای احتمالی تحقیق ما تجزیه و تحلیل داده های ایجاد شده توسط این مشارکت کنندگان برای استنباط تخصص آنها با کیفیت خروجی ها و معنایی رفتارهای آنها است [ 36 ]. تجزیه و تحلیل کیفیت در برابر داده های ارجاعی و شاخص های کیفیت ذاتی هر دو می توانند مفید باشند.

منابع

نیس، پ. زیلسترا، دی. Zipf، A. تکامل شبکه خیابانی نقشه‌های crowdsourced: OpenStreetMap در آلمان 2007-2011. کارآموز آینده 2011 ، 4 ، 1-21. [ Google Scholar ] [ CrossRef ]
هاکلی، م.م. بسیوکا، اس. آنتونیو، وی. Ather، A. برای نقشه برداری خوب یک منطقه به چند داوطلب نیاز است؟ اعتبار قانون لینوس برای اطلاعات جغرافیایی داوطلبانه کارتوگر. J. 2010 , 47 , 315-322. [ Google Scholar ] [ CrossRef ]
گیرس، جی اف. Touya, G. ارزیابی کیفیت مجموعه داده OpenStreetMap فرانسه. ترانس. GIS 2010 ، 14 ، 435-459. [ Google Scholar ] [ CrossRef ]
فرقانی، م. دلاور، م. مطالعه کیفی مجموعه داده نقشه خیابان باز برای تهران. ISPRS Int. J. Geo-Inf. 2014 ، 3 ، 750-763. [ Google Scholar ] [ CrossRef ]
پارکر، سی جی; می، آ. میچل، وی. درک طراحی با VGI با استفاده از چارچوب ارتباط اطلاعات. ترانس. GIS 2012 ، 16 ، 545-560. [ Google Scholar ] [ CrossRef ]
پارکر، سی جی; می، آ. میچل، وی. طراحی کاربر-محور جغرافیای جدید: تأثیر اطلاعات جغرافیایی داوطلبانه بر درک کاربران از نقشه‌های آنلاین. ارگونومی 2014 ، 57 ، 987-997. [ Google Scholar ] [ CrossRef ] [ PubMed ]
OpenStreetMap. در دسترس آنلاین: https://foursquare.com/about/osm (دسترسی در 14 اکتبر 2015).
OpenRouteService.org. در دسترس آنلاین: http://openrouteservice.org/ (دسترسی در 14 اکتبر 2015).
Goodchild، MF Citizens به عنوان حسگر: دنیای جغرافیای داوطلبانه. ژئوژورنال 2007 ، 69 ، 211-221. [ Google Scholar ] [ CrossRef ]
هاکلی، ام. دانش شهروندی و اطلاعات جغرافیایی داوطلبانه: بررسی اجمالی و گونه‌شناسی مشارکت. در جمع سپاری دانش جغرافیایی ; Sui, D., Elwood, S., Goodchild, M., Eds. Springer: Houten، هلند، 2013; صص 105-122. [ Google Scholar ]
مونی، پی. مورگانب، ل. چقدر در مورد مشارکت کنندگان در پروژه های داوطلبانه اطلاعات جغرافیایی و دانش شهروندی می دانیم؟ در مجموعه مقالات ISPRS سال 2015 فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی، La Grande Motte، فرانسه، 28 سپتامبر تا 3 اکتبر 2015. صص 339-343.
Haklay, M. اطلاعات جغرافیایی داوطلبانه چقدر خوب است؟ مطالعه تطبیقی مجموعه داده های نظرسنجی OpenStreetMap و مهمات. محیط زیست طرح. برنامه B طراحی 2010 ، 37 ، 682-703. [ Google Scholar ] [ CrossRef ]
مونی، پی. Corcoran, P. OpenStreetMap چقدر اجتماعی است؟ در مجموعه مقالات پانزدهمین کنفرانس بین المللی انجمن آزمایشگاه های اطلاعات جغرافیایی برای اروپا در زمینه علوم اطلاعات جغرافیایی، آوینیون، فرانسه، 24-27 آوریل 2012. ص 24-27.
Goodchild، MF; Li, L. اطمینان از کیفیت اطلاعات جغرافیایی داوطلبانه. تف کردن آمار 2012 ، 1 ، 110-120. [ Google Scholar ] [ CrossRef ]
ارسنجانی، ج. Bakillah, M. درک رابطه بالقوه بین متغیرهای اجتماعی-اقتصادی و مشارکت در OpenStreetMap. بین المللی جی دیجیت. زمین 2015 ، 8 ، 861-876. [ Google Scholar ] [ CrossRef ]
مونی، پی. Corcoran, P. آیا OpenStreetMap نقشی در برنامه های کاربردی زمین دیجیتال دارد؟ بین المللی جی دیجیت. زمین 2014 ، 7 ، 534-553. [ Google Scholar ] [ CrossRef ]
یانگ، آ. فن، اچ. جینگ، ن. سان، ی. Zipf، A. تحلیل زمانی در مورد نابرابری مشارکت در OpenStreetMap: مطالعه مقایسه ای برای چهار کشور. ISPRS Int. J. Geo-Inf. 2016 ، 5 . [ Google Scholar ] [ CrossRef ]
Sanger, LM سرنوشت تخصص پس از ویکی پدیا. Episteme 2009 ، 6 ، 52-73. [ Google Scholar ] [ CrossRef ]
برابهام، دی سی اسطوره جمعیت های آماتور: تحلیل گفتمانی انتقادی از پوشش جمع سپاری. Inf. اشتراک. Soc. 2012 ، 15 ، 394-410. [ Google Scholar ] [ CrossRef ]
Flanagin، AJ; Metzger, MJ اعتبار اطلاعات جغرافیایی داوطلبانه. جئوژورنال 2008 ، 72 ، 137-148. [ Google Scholar ] [ CrossRef ]
نیس، پ. Zielstra، D. تحولات اخیر و روندهای آینده در تحقیقات داوطلبانه اطلاعات جغرافیایی: مورد OpenStreetMap. کارآموز آینده 2014 ، 6 ، 76-106. [ Google Scholar ] [ CrossRef ]
نیس، پ. Zipf، A. تجزیه و تحلیل فعالیت مشارکت کننده یک پروژه داوطلبانه اطلاعات جغرافیایی – مورد OpenStreetMap. ISPRS Int. J. Geo-Inf. 2012 ، 1 ، 146-165. [ Google Scholar ] [ CrossRef ]
بارون، سی. نیس، پ. Zipf، A. چارچوبی جامع برای تحلیل کیفی OpenStreetMap ذاتی. ترانس. GIS 2014 . [ Google Scholar ] [ CrossRef ]
بگین، دی. دیویلر، آر. روشه، اس. ارزیابی کیفیت اطلاعات جغرافیایی داوطلبانه (VGI) بر اساس رفتارهای نقشه برداری مشارکت کنندگان. در مجموعه مقالات هشتمین سمپوزیوم بین المللی کیفیت داده های مکانی ISSDQ، هنگ کنگ، چین، 30 مه تا 1 ژوئن 2013. صص 149-154.
بوردوگنا، جی. کارارا، پی. کریسکوئولو، ال. پپه، م. رامپینی، الف. رویکرد تصمیم‌گیری زبانی برای ارزیابی کیفیت اطلاعات جغرافیایی داوطلبانه برای علم شهروندی. Inf. علمی 2014 ، 258 ، 312-327. [ Google Scholar ] [ CrossRef ]
بوداتوکی، NR; Haythornthwaite، C. انگیزه برای همکاری باز جمعیت و مدل های جامعه و مورد OpenStreetMap. صبح. رفتار علمی 2013 ، 57 ، 548-575. [ Google Scholar ] [ CrossRef ]
ارسنجانی، ج. بارون، سی. باکی‌الله، م. Helbich، M. ارزیابی کیفیت مشارکت کنندگان OpenStreetMap همراه با مشارکت آنها. در مجموعه مقالات AGILE 2013، نشویل، TN، ایالات متحده آمریکا، 5-9 اوت 2013.
براون، ام. شارپلز، اس. هاردینگ، جی. پارکر، سی جی; بیرمن، ن. مگوایر، ام. فارست، دی. هاکلی، م. جکسون، ام. قابلیت استفاده از اطلاعات جغرافیایی: چالش های فعلی و جهت گیری های آینده. Appl. ارگون. 2013 ، 44 ، 855-865. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
Goodchild، M. NeoGeography و ماهیت تخصص جغرافیایی. J. Locat. سرویس مبتنی بر 2009 ، 3 ، 82-96. [ Google Scholar ] [ CrossRef ]
Keen, A. فرقه آماتور ; Crown Publishing Group: نیویورک، نیویورک، ایالات متحده آمریکا، 2007. [ Google Scholar ]
هان، جی. کمبر، م. پی، جی. داده کاوی: مفاهیم و تکنیک ها . Elsevier: Philadelphia, PA, USA, 2011. [ Google Scholar ]
گلمن، ا. کارلین، جی بی. استرن، اچ اس. روبین، DB تجزیه و تحلیل داده های بیزی ; CRC Press: Boca Raton، FL، USA، 2014. [ Google Scholar ]
تغییر مجموعه. در دسترس آنلاین: http://wiki.openstreetmap.org/wiki/Changeset (در 28 مه 2015 قابل دسترسی است).
توسعه/Single Sign On. در دسترس آنلاین: http://wiki.openstreetmap.org/wiki/Develop/Single_sign_on (در 28 دسامبر 2015 قابل دسترسی است).
سیاره OSM. در دسترس آنلاین: http://planet.osm.org/ (در 28 مه 2015 قابل دسترسی است).
Fogg, BJ شبکه رفتار: 35 روشی که رفتار می تواند تغییر کند. در مجموعه مقالات چهارمین کنفرانس بین المللی فناوری متقاعد کننده، کلرمونت، کالیفرنیا، ایالات متحده آمریکا، 26-29 آوریل 2009.

شکل 1. ویرایشگرهای اصلی OSM. ( الف ) JOSM؛ ( ب ) پاتلچ. ( ج ) شناسه

شکل 2. توزیع مشارکت ها.

شکل 3. توزیع شاخص های تمرین. ( الف ) روزها؛ ( ب ) هفته؛ ( ج ) محدوده

شکل 4. ابزارهای اصلی.

شکل 5. توزیع شاخص های انگیزش. ( الف ) طولانی ترین رگه؛ ( ب ) روز هفته در مقابل آخر هفته.

شکل 6. درصد وقوع برای هر رفتار. الف ) آلمان؛ ( ب ) فرانسه؛ ج ) انگلستان.

شکل 7. توزیع تعداد رفتارها.

جدول 1. رفتارها.

جدول 2. آمار توصیفی. DE، آلمان؛ FR، فرانسه

جدول 3. شاخص های تمرین. الف ) آلمان؛ ( ب ) فرانسه؛ ج ) انگلستان.

( الف )

( ب )

( ج )

جدول 4. شاخص های مهارت.

جدول 5. شاخص های انگیزشی. الف ) آلمان؛ ( ب ) فرانسه؛ ج ) انگلستان.

( الف )

( ب )

( ج )

جدول 6. تعداد مشارکت کنندگان با همه یا هیچ یک از رفتارها.

© 2016 توسط نویسندگان؛ دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons by Attribution (CC-BY) (http://creativecommons.org/licenses/by/4.0/) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب