I citizen scientist, cioè i volontari che contribuiscono direttamente all’analisi dei dati scientifici, sono ormai una realtà largamente utilizzata in molti ambiti della ricerca. Noi ci occupiamo prevalentemente delle discipline legate all’astronomia, ma di progetti se ne trovano in tutti gli ambiti del sapere, dall’archivistica allo studio delle particelle. Basti visitare il sito Zooniverse per averne una prova.
Il successo di tali progetti è riassunto nella possibilità di controllare una grande mole di dati, divisi in piccoli pacchetti gestibili senza troppo impegno dagli utenti. In questo modo i volontari possono eseguire un controllo preliminare durante il tempo libero, oppure cedere la GPU del proprio computer per progetti di calcolo distribuito quando esso non è utilizzato.
Tra le molte imprese della citizen science, annoveriamo adesso la scoperta di oltre 10mila nuove stelle variabili, trovate esaminando i dati raccolti dall’All-Sky Automated Survey for Supernovae (ASAS-SN). ASAS-SN è gestito dalla Ohio State University e si propone di identificare transienti nel cielo attraverso ripetute scansioni della volta celeste, eseguite da sei differenti postazioni in tutto il mondo, per un totale di 24 teleobiettivi con lenti frontali di 14cm. Tali osservatori robotici sono anche relativamente economici, sia da allestire sia da tenere in esercizio poiché utilizzano strumentazione in larga parte di tipo commerciale.
Contrariamente a veri telescopi, i teleobiettivi hanno il pregio di essere ottiche luminose e di abbracciare ampi campi di vista corretti per riprendere simultaneamente anche migliaia di stelle. Questo permette di monitorare completamente l’intero cielo notturno in breve tempo, pur non raggiungendo una grande profondità nelle immagini. Grazie alla sensibilità delle camere CCD, il consorzio rileva automaticamente l’intero cielo visibile ogni notte sino a circa la 18a magnitudine, più di 50.000 volte più debole di quanto riesca a scorgere l’occhio umano.
Sin dall’esordio questo progetto ha portato alla scoperta di un gran numero di supernove extragalattiche, stelle variabili e altri transienti. Ciò nonostante, un gran numero di sorgenti può sfuggire agli algoritmi di ricerca automatizzati. Per tale motivo i gestori del progetto hanno deciso di coinvolgere anche i volontari. I risultati non hanno tardato ad arrivare, come dimostra un recente paper scientifico pubblicato sulla piattaforma arXiv con cui s’illustrano i primi risultati ottenuti dal progetto denominato Citizen ASAS-SN (https://www.zooniverse.org/projects/tharinduj/citizen-asas-sn).
Citizen ASAS-SN, annovera circa 3.100 volontari da tutto il mondo. Il gruppo ha eseguito 839.000 classificazioni di oltre 100.000 curve di luce riguardanti altrettante potenziali stelle variabili, cioè quelle che manifestano variazioni luminose nel corso del tempo. La curva di luce è un grafico che riporta in ordinata la magnitudine misurata e in ascissa il tempo. I punti disegnano una curva rappresentativa delle variazioni luminose che gli esperti interpreteranno. L’analisi precedente dei dati di ASAS-SN è stata condotta in gran parte utilizzando algoritmi di apprendimento automatico.
I volontari hanno così classificato un gran numero di variabili a eclisse, stelle pulsanti e rotanti ma anche riconosciuto oggetti peculiari con curve di luce in apparenza bizzarre. Il sistema occhio-cervello ha un grande talento nel notare cose insolite e fuori dagli schemi dove, di solito, gli algoritmi e l’intelligenza artificiale falliscono. Queste curve insolite, se non riconducibili ad altre cause, possono essere classificate sotto l’indicazione di “sconosciuto” e portate all’attenzione degli esperti.
Sin dai primi progetti di citizen science, i responsabili inseriscono dati fittizi. Nel caso specifico sono state incluse alcune curve campione di stelle variabili ben note, sia come modelli sia per sondare l’affidabilità dei volontari nel riconoscerle. I test proposti sono stati brillantemente superati dai volontari di Citizen ASAS-SN.
“Si è scoperto che erano piuttosto precisi“, afferma Collin Christy, primo autore dell’articolo. “I nostri utenti sono stati davvero bravi a trovare i sistemi di eclissi e pulsanti nei nostri dati“. E altrettanto bravi nel rigettare le curve riconducibili ad artefatti e disturbi. Questo è altrettanto utile al gruppo di ricerca perché il lavoro dei volontari sta aiutando gli scienziati a migliorare anche l’algoritmo che riconosce i dati “spazzatura” per escluderli.
