教育新闻网尚无法预测地震，但是对不同类型地震数据的分析使科学家能够查明每种类型的地震发生的时间和地点，从而更好地了解破坏性地震可能在何时何地发生构造滑动。世界各地成千上万的地震台站连续记录着当地的地震活动，其输出远远超出了科学家的处理能力。在这里，西北大学的研究人员通过开放科学平台Zooniverse上的“地震侦探”程序，对2000多名公民科学家进行了救援，以对人群的地震记录进行分析，并将其转换为视听格式。他们表明，公民至少与机器学习一样准确，甚至可以识别构造性震颤，以前只有受过训练的专业人员才有可能。结果今天发表在地球科学前沿。
“我的目的是在发现这些特殊地震事件时获得帮助，因为我被博士学位研究所研究的快速增长的数据淹没了，”该系研究生的主要作者Vivian Tang说。伊利诺伊州西北大学地球与行星科学。“借助Zooniverse和地震侦探团队，我们为世界各地的人们提供了一种简单而引人入胜的方法，以帮助进行进一步的科学研究。”
完成辅导和练习后，每个公民科学家都被要求听取阿拉斯加地震台站(北美洲USArray台站的一部分)捕获的2467份记录中的随机选择。视觉轨迹显示在音频数据旁边。每次记录对应于估计到达30个已知大地震之一的表面波每个站之后的前2,000秒(但加快了800倍于音频频率)。发生在2013年至2018年之间的某个地方。当来自遥远地震的波到达像阿拉斯加这样的地震活跃地带时，太平洋构造板块在北美下方滑动，它可能会触发局部地震事件，例如较小的地震或地震构造震颤，是地壳深处成千上万种缓慢的微小振动，可能会持续数天或数周。地震是2001年首次发现的，此后成为研究的重点，因为它们向我们展示了没有地震发生的构造滑移，但据认为在地震起源中起着一定作用。
每个录音都被呈现给十个不同的公民，他们不得不将其归类为地震，震颤，背景噪音或以上任何一项。加快速度，地震的地震记录通常听起来像是在敲门，而震颤的声音就像是火车经过铁轨，背景噪音听起来像是呼啸的风声，锡箔起皱或静电。研究人员使用在每种分类上达成共识的公民人数来衡量共识程度。作者中受过训练的地震学家还对数据集的选择进行了分类，而他们专门开发的用于识别地震的机器学习算法的输出被用作市民表现的基准。人工智能尚未能够识别出构造性震颤，直到目前的研究表明公民成功地完成了这项任务，
市民对91%的测试唱片达成了集体决定。在对地震进行分类时(达成集体决策的记录中有74%达到多数分类的预设阈值40%)比震颤(51%)和背景噪声(66%)达成了更多共识。当将他们的集体决策与专业科学家确定的正确分类进行比较时，公民在识别地震时的总体准确性为85%，高于机器学习算法的76%的准确性。
作者得出的结论是，公民科学家可以为地震学做出重大贡献，从而使科学家能够处理比以往任何时候都更多的数据，从而帮助他们更好地了解地壳深处的过程并以更高的精度预测地震。公民集体识别震颤的能力(人工智能尚无法做到)对于该领域尤其有价值。
“地震侦探可以为该领域的其他研究人员提供资源，这些研究人员有兴趣从一组令人印象深刻的志愿者科学家那里获得投入。我们强烈鼓励这些研究人员向我们指出他们希望看到的地震图，以便我们将其包括在内并把志愿者分类归还给研究人员。”唐说。
