數據驅動的公眾科學實踐：基于社會公平視角的考察

張雙志 劉華錦

摘 要 公眾科學作為一種數據驅動的開放科學實踐正在蓬勃發展，但現有文獻對公眾科學所折射出的社會公平問題關注較少，這不利于包容性開放科學運動的推進。為了彌合這一差距，文章基于社會公平和數據價值鏈構建分析框架，對涉及醫療健康、環境保護、社會治理等議題的公眾科學項目進行案例研究。案例分析結果表明，公眾科學在分配、程序、過程和結果公平方面存在諸多挑戰，這需要系統彌合數據從收集、存儲、分析到使用全鏈條上的公平缺口，以確保形成更加公平的數據驅動的公眾科學，促使科學更好地服務社會大眾。

關鍵詞 公眾科學；數據驅動；社會公平；數據價值鏈

分類號 G315

DOI 10.16810/j.cnki.1672-514X.2024.05.002

Data-Driven Citizen Science Practice： an Examination From the Perspective of Social Equity

Zhang Shuangzhi， Liu Huajin

Abstract Citizen science is a data-driven open science practice that is thriving， but existing literature pays less attention to the social equity issues reflected by citizen science， which is not conducive to the promotion of the inclusive open science movement. In order to bridge this gap， this article constructs an analytical framework based on social equity and data value chain， and conducts case studies on citizen science projects related to issues such as healthcare， environmental protection， and urban governance. Research has found that citizen science faces many challenges in terms of fairness in distribution， procedures， processes， and outcomes， this requires a system to bridge the equity gap in the entire chain of data collection， storage， analysis， and use， in order to ensure the promotion of more fair data-driven citizen science and better serve the public.

Keywords Citizen science. Data driven. Social equity. Data value chain.

0 引言

從19世紀中葉到20世紀末的氣象分析、鳥類統計等研究活動中公眾參與科學已初見端倪，到1989年出版的《技術評論》（Technological Review）雜志上，科學共同體正式采用“公眾科學”（Citizen Science）這一術語。特別是1992年康奈爾大學“公眾參與的鳥類學”項目正式獲得美國國家自然科學基金（NSF）的資助立項，公眾科學由此正式確立并進入學界視野[1]，與之相關的研究文獻也不斷涌現。傳統意義上的公眾科學主要是讓公眾協助科學家收集數據或進行一些簡單的數據分析，類似于“數據眾包”（Data Crowdsourcing）[2]。但這明顯低估了公眾的集體創造潛力，他們其實可以參與科學研究的任何方面，這包括從數據收集、存儲、分析到結果使用的全過程[3]。公眾主要以智力形式，或以智力周邊的知識、工具、資源等方式參與科學技術研究、科學社會學、科學傳播和環境正義等領域[4]。公眾科學常常表現為“對話”或“參與”模式，公眾、科學家、政策制定者等利益相關者均可從中獲益。

隨著大數據、云計算、人工智能等新一代信息技術的迅猛發展，公眾參與科學的形式日益數字化、網絡化和智能化，公眾科學在全球的應用場景不再局限于自然科學研究，在醫療健康[5]、環境保護[6]、社會治理[7]等領域出現了大量應用案例，這意味著公眾生活的許多方面都可以轉化為研究數據。新一代信息技術不僅廣泛影響著公眾、科學家和政策制定者，也深刻改變了科學研究范式。但現有文獻大都強調了公眾科學在改變研究物質條件上具有意想不到的潛力[8-9]，例如“SETI@home”的參與者為項目組累計貢獻了價值10億美元的數據計算時間及1012瓦時的電力資源[10]。公眾大規模參與科學在促進知識共同生產的同時，也使公眾的利益訴求在科學家專屬的知識領域中得到不同形式和程度的體現，而這些非專業參與者的觀點在知識歷史上長期處于邊緣化境地。但鮮有研究涉及討論公眾科學對公眾、科學家和政策制定者潛在的社會公平效益，這為本文重新審視公眾科學的社會公平議題留下了研究空間。

數字時代的公眾科學作為一種數據驅動的實踐，模糊了科學家和公眾之間的界限，將前者納入社會和政治議程，并允許后者以前所未有的方式和難以想象的規模收集和共享數據，這當然也帶來了一些有趣且空前的挑戰。對公眾來說，在提升數據可信度的同時，也要確保他們收集的數據不被用于損害其利益的政策議程；對科學家來說，數字時代的公眾科學將他們卷入了一個本可以避免的政治和社會爭論之中；對政策制定者來說，以公眾利益為核心的數據被允許參與公共治理領域的辯論，這有可能為公眾支持的非專業政策論點提供證據支撐，在一定程度上侵蝕了官方的權威性。簡言之，負責收集數據的公眾與處理數據的科學家在需求和價值觀之間存在諸多矛盾，這給政策制定者的決策帶來了困惑。為此，本文基于社會公平和數據價值鏈的二維分析框架，對嵌入數據中的社會技術組合進行系統梳理，以揭示數據驅動的公眾科學實踐中社會公平的具體表征、面臨的挑戰及可能的因應對策，為塑造更加公平的公眾科學提供數據治理領域的學理思考。

1 開放科學環境下公眾科學及其面臨的治理議題

公眾科學在歷史上主要應用于自然研究領域，例如候鳥物種計數、生物野外監測、業余天文學等。隨著公眾在知識生產中的獨特作用日益凸顯，公眾科學在醫療健康、政策制定、研究改進等方面也有著較為深入的應用。在醫療健康方面，Open Humans[11]、PatientsLikeMe[12]等平臺允許志愿者上傳、連接和存儲來自各種來源的個人健康數據（例如，基因測試數據、存儲在社交媒體上的數據等），志愿者可以選擇將這些數據公開或授權用于特定項目的科學研究。在政策制定方面，公眾科學本身也是一種科學社會運動，公眾在參與科學研究的過程中既會加深對相關議題的認識，也會通過研究成果對相關政策的制定產生影響。例如，馬里蘭大學的“社區參與、環境公正與健康”（CEEJH）實驗室，通過實施公眾科學項目促使決策者和公眾在環境保護議題上的協商共治[13]。在研究改進方面，公眾科學對研究過程的改善主要表現在增加獲取研究資金的渠道、創新研究方法和同行評議機制、以眾包形式共同出版研究成果等。例如，青年學者及女性學者在尋求傳統研究資金來源時有時可能會處于不利地位，但他（她）們卻是公眾科學研究資金資助最多的群體[14]，這無疑會對現有的研究格局帶來一些積極的影響。

近年來，新一代信息技術的迅猛發展在很大程度上改變了公眾參與科學的方式，為知識的共同生產帶來新的可能性[15]。信息技術打破了知識共同生產中客觀存在的組織壁壘，從而有效降低大規模公眾參與知識生產的成本，并在此過程中重塑公眾與大學、政府及產業之間的結構關系[16]。組織壁壘的消解有助于催生開源社區的同行生產、維基百科的分布式生產等去中心化的知識共同生產模式，并在信息技術的支持下實現相關數據在平臺上的互聯互通，從而推動公眾參與知識生產模式的數智化轉型。知識共同生產的數字化演變也對公眾科學項目中用于數據分析的方法提出了更高的要求，例如通過機器學習識別和篩選“現實世界”（與實驗室環境相反）中數據收集通常存在的背景噪音[17]，從而提升了數據分析結果的可信度。歐盟委員會資助的“參與式可持續環境城市生活”（PULSE）項目就通過智能手機、可穿戴傳感器、物聯網等設備實現多維度數據集成，為公眾在城市移動時實時提供與環境污染相關的公共健康風險資訊[18]。雖然這本身并非沒有風險，大數據、人工智能、云計算等技術的介入卻會降低公眾參與科學研究的貢獻度，從而削弱公眾科學的參與范圍、行動力度與實施效果[19]，由此面對開放科學環境下的公眾科學面臨著治理議題。

公眾科學作為開放科學的一個突出應用領域，鮮明體現了Science2.0時代的開放性和協作性。那么，依據公眾參與能力、方式和程度的不同，將公眾科學項目劃分為咨詢型、協作型和改革型[4]，也有研究文獻將其區分為科學商店模式、參與式行動研究模式與自適應研究模式[20]。近年來，信息技術的加持使得公眾科學領域也出現了諸多新的變化，例如在平臺建設、研究方法、成果應用、志愿者招募和維持等方面都有所創新。在研究邊界議題上，公眾科學通常被解釋得相當寬泛，甚至被誤用或包裝為一些沒有研究成果的眾包活動，這明顯損害了公眾科學的可信度[21]，因此需要對其內涵和邊界達成共識；在公眾參與議題上，如何構建一條完整的“參與鏈”，促使公眾全程參與科學研究的任何環節，而不僅是讓公眾協助完成數據收集或簡單的分析任務；在數據質量議題上，確保數據的高質量是關乎公眾科學研究成果是否可信的核心[22]，需要在數據隱私、安全和知情權、數據集成、數據確權、數據共享等方面達成統一的數據管理規則[23]；在倫理道德議題上，警惕某些項目通過眾包的運行方式無償或以較低酬勞占據公眾的知識成果[24]，這可能會使公眾面臨過度工作、增加經濟負擔、易受騷擾等風險。

雖然公眾科學是一項有其歷史根源的科學事業，不同時期開展公眾科學所面臨的挑戰也比較相似。但數字技術的引入之后公眾科學發生了重大改變，即數字技術正通過公眾科學重塑公眾、科學家和政策制定者之間的社會互動關系。深受大數據的影響，科學研究已經邁入數據驅動時代（The Data-Driven Era）[25]，公眾科學也正式成為科學事業的一個重要組成部分，這一實踐變革為數字時代的公眾科學創造了諸多新興研究領域。其中，從社會公平視角探討公眾科學的數據治理，對深入推進開放科學的包容性發展是一個至關重要的議題。鑒于此，本文構建了社會公平與數據價值鏈的二維分析框架，采用案例研究方法厘清公眾科學與社會公平之間的互動耦合機理，在一定程度上豐富了現有的公眾科學研究內容。

2 社會公平與數據價值鏈的二維分析框架

探討公眾科學如何影響社會公平，應致力于回答以下兩個問題：一是數據驅動的公眾科學實踐對社會公平產生哪些影響，二是數據驅動的公眾科學實踐是如何影響社會公平的。為了解決這些問題，本文基于社會公平和數據價值鏈兩個維度構建了分析框架，如圖1所示。

2.1 社會公平

雖然公眾科學在數據驅動型科學研究中具有降低成本、提高效率等好處，但越來越依賴數據驅動的公眾科學可能會對社會公平產生侵蝕。因為公眾收集的數據在某種程度上反映了當前經濟社會發展的差異性，假如政府依據這些帶有偏差的數據制定政策或提供公共服務，有可能會使弱勢群體處于更加不利的地位。這里引入Johnson和Svara的“社會公平”（Social Equity）理論[26]，從分配公平、程序公平、過程公平和結果公平四個維度去深入理解公眾科學所關涉的社會公平。分配公平，指為社會地位、文化價值觀等差異顯著的個人或群體公平分配與數據相關的資源，與機會準入、資源獲取有關；程序公平是基于權利的數據公平，包括數據訪問權、數據所有權、數據隱私權、數據代表權等基本的數據權利；過程公平關注質量，指向不同個人或群體提供的基于數據驅動的知識服務質量是否具有一致性；結果公平是工具性數據公平，指數據使用的結果是否對所涉及的個人或群體產生相同的影響。

2.2 數據價值鏈

為了理解數據驅動的公眾科學實踐在不同階段是如何影響社會公平的，本文參照L?fgren和Webster的研究成果[27]，引入“數據價值鏈”（Data Value Chain）這一分析維度。該維度按照依次關聯的邏輯，將數據全生命周期管理分為數據收集、數據存儲、數據分析和數據使用四個階段。數據收集指利用調查、訪談、貼身傳感器、智能手機等方式獲取數據，這涉及到采集“誰的數據”，與分配公平相關；數據存儲是指將數據存儲在數據庫、數據中心或“云”上，關涉公眾對存儲的數據是否享有基本的數據權利；數據分析指利用機器學習、深度學習等算法對數據資源進行挖掘，探尋事物之間的相關關系或因果關系，其中算法的參數設置與過程公平所關注的知識服務質量密切相關；數據使用主要是指決策者對數據分析結果的利用，這可能對公眾的實際獲取或感知滿意度產生影響，屬于結果公平的范疇。因此，數據價值鏈為分析公眾科學在哪些階段如何促進或阻礙社會公平提供了一個連續性視角。

3 聚焦社會公平議題的典型案例

鑒于本文的研究問題具有現實性，且旨在探討明確的發生機理，所以宜采用案例研究法對數據驅動的公眾科學實踐中所關涉的社會公平展開經驗分析，打開公眾科學與社會公平之間的數據“黑箱”，助力包容性開放科學運動的推進。對此，從主題、研究設計、實施過程、結果評價方面對眾多公眾科學項目進行篩選，選取6個聚焦社會公平議題的典型案例，涉及醫療健康、氣候變化、環境保護、政策制定等議題，這有效保證了案例選取的多樣性。

案例1：“像我一樣的病人”（PatientsLikeMe，簡稱PLM）。PLM源自美國一位患“肌萎縮性側索硬化”（ALS）病癥的家人和朋友們，為了將分散在不同地區的ALS患者聚集起來共享和交流病情，在2011年創建了這一網絡平臺。PatientsLikeMe是一種基于網絡的數據合作社，通過整合23andMe、Apple Health、Twitter等多種渠道的數據源，實現對個人健康數據的匯聚共享和開發利用，現已發展成為全球最大的病友分享平臺，病種也從最初的ALS一種激增至2800多種疾病。

案例2：“歷史天氣”（Old Weather，簡稱OW）。OW是由英國氣象局和公眾科學組織Zooniverse于2010年共同發起，通過招募公眾志愿者根據OW課題組發布的研究任務，自行選擇將何種船舶日志轉錄為數字化文本并上傳至oldweather.org網站上，為氣象局進行天氣預測提供源源不斷的數據，有助于提高對氣候環境變化的科學認知。

案例3：“極端公眾科學”（Extreme Citizen Science，簡稱ExCiteS）。ExCiteS是一個位于倫敦大學學院的研究小組發起，旨在支持多樣化和難以接觸的人群參與科學。該小組不僅指導英國倫敦劉易舍姆區佩皮斯住宅區居民收集數據并創建表征周邊噪聲水平的數字地圖，也在非洲剛果、卡麥隆等國家支持土著居民對當地自然資源進行團體測繪，記錄非法的采伐捕獵活動，從而廣泛深入參與保護家園的治理活動。

案例4：“可持續環境下的參與式城市生活”（The Participatory Urban Living for Sustainable Environments，簡稱PULSE）。PULSE由歐盟委員

會提供資助，將公眾收集的數據進行集成，為城市治理提供信息支撐。例如，位于法國巴黎的PULSE試驗點從公眾可穿戴設備和智能手機中萃取與析出有關空氣污染、哮喘高發區等數據，幫助公眾及時掌握與全市公共健康風險危機管理方面的資訊。

案例5：“地面真相2.0”（Ground Truth 2.0，簡稱GT2.0）。GT2.0是一項由歐盟委員會資助的公眾科學計劃，在全球一共設置了6個公眾觀測站，鼓勵公眾、科學家、政策制定者利用公眾科學研究范式，就當地居民感興趣的議題進行研究。目前，該項目涉及美國密歇根州佛林特市含鉛量超標的水污染事件、荷蘭阿姆斯特丹的城市地表水治理、贊比亞的可持續資源開發利用等多種案例。

案例6：“共同行動科學計劃”（Doing It Together Science，簡稱DITOs）。DITOs獲得歐盟最

大的科研和創新資助計劃“地平線2020”（Horizon

2020）劃撥近350萬歐元的資助，通過公開演講、科普會議、紀錄片放映、甚至是一輛“科學巴士”等860項活動吸引了來自9個歐洲國家50多萬公眾的積極參與，重塑了公眾、科學家、政策制定者在環境保護、公共服務等議題的宣傳推廣方面的合作生態。

4 數據驅動的公眾科學實踐對社會公平產生的具體影響

通過對公眾科學6個案例所涉及的社會公平維度，以及數據價值鏈環節進行標記后形成證據鏈，以此探討公眾科學從數據收集到數據使用過程中所折射的社會公平，為推動更加公平的公眾科學實踐提供學理支撐。數據驅動的公眾科學實踐可能指向社會公平的一個或多個維度，其中涉及最多的是過程公平，其次是結果公平，最后是程序公平和分配公平。接下來，從分配公平、程序公平、過程公平和結果公平四個方面依次分析數據驅動的公眾科學實踐對社會公平的具體影響，表1列示了幾個典型的公眾科學案例中所涉及的社會公平議題。

（1）分配公平。選擇收集個人和群體的哪些數據是公眾科學在一開始設計時須考慮的要素，但往往容易忽略收集哪些個人和群體，這關涉到數據收集的代表性問題。例如，PULSE由于主要采集數字活躍用戶的數據，繪制出的公共健康實時地圖可能只是反映這些活躍用戶所在街區的情況，而那些沒有資金購置可穿戴設備或智能手機、亦或是缺乏必要的數字素養的弱勢群體，就幾乎不能在PULSE的項目實施中留下數字痕跡，這就導致有關公共健康保障的資源分配存在不公平現象。而弱勢群體的數據“不可見”（Invisible）往往也是造成政治排斥與邊緣化的一個重要因素，所以收集“誰的數據”會在很大程度上影響資源配置，公眾科學的設計者應對此給予足夠關注，力圖緩解“數據差距”（Data Gaps）對社會公平可能造成的侵蝕。

（2）程序公平。隨著公眾科學的應用場景越來越豐富，科學家、政策制定者意識到公眾不僅代表免費勞動力，還擁有可觀的分布式計算能力，這顯然為開展科學研究節省了經費支出。但有相當一部分公眾科學在實施過程中，只想著讓公眾收集數據、甚至是關于他們個人隱私的敏感數據，而在基本的數據權利保護方面卻做得遠遠不夠。例如，OW的數據處理在某種程度上是汲取性的，因為公眾收集和轉錄的數據明顯有利于英國氣象局、商業用戶等機構，數據上傳后的處理也缺乏透明度，公眾并沒有直接從他們的勞動中受益，這在數據所有權方面造成了不公平。當然，有的公眾科學項目在保障基本的數據權利方面做得較好，如PLM的平臺架構及隱私保護協議不僅允許參與者可以訪問上傳的數據和了解數據的流通過程，還保障其充分享有數據“被遺忘的權利”，即他們可以撤銷和刪除在平臺上記錄的個人數據。

（3）過程公平。科學家、政策制定者在利用公眾群體智慧的優勢來降低成本和提高效率的同時，也要為公眾參與科學提供必要的知識服務，以更好地吸引和激勵他們為項目長期提供高質量的數據。ExCiteS是一個不論個人的背景或文化水平，旨在提高公眾參與度的研究小組。例如，該小組為推進剛果盆地土著居民進行自然資源的群體測繪，特意開發了一種“以圖代字”的資源測繪設備，以解決諸如識字和語言障礙、不熟悉智能手機及互聯網接入受限等問題。同時，該小組還和當地中介機構合作，開展數字素養培訓，提升當地居民運用測繪設備的技能和利用調查數據進行維權宣傳的意識。而英國氣象局作為OW項目的主要受益者，在意的是如何利用數據訓練預測氣候變化的模型，并經常向參與者提出一些難度系數較大的新任務，但并不為他們完成這些任務提供必要的知識服務支持。

（4）結果公平。工具性數據公平關注誰從基于數據的決策中受益的問題，著力糾正由于數據驅動可能導致的不公平。GT2.0項目中佛林特市的居民在弗吉尼亞理工大學的支持下，對全市的水樣進行了系統的數據采集和科學分析，以此否定了具有誤導性的官方結論，并就含鉛量超標的水污染事件向最高法院起訴當地政府官員。荷蘭阿姆斯特丹鼓勵居民參與對水質的監測行動，通過眾多觀測點數據的匯聚共享形成對城市地表水治理的實時動態地圖，這為改善城市居住環境提供了數據支持。DITOs在倫敦大學學院的協調下專注于圍繞公眾科學的政策宣傳，鼓勵非政府組織、高等院校等機構提供多樣化支持，促使公眾深度參與科學研究及相關科學決策。愛沙尼亞政府就借助DITOs在為期14周的在線征集活動中，收到公眾提出的3000多條提案意見，其中7條意見對修改法律或制定新法律做出了貢獻。

5 數據驅動的公眾科學實踐對社會公平可能存在的影響路徑

在前文分析的基礎上，利用數據價值鏈維度進一步分析數據驅動的公眾科學實踐對社會公平可能存在的影響路徑。數據價值鏈不應被視為一個線性模型，而應是一個遞歸演化的過程，其每一個環節都有可能對社會公平產生影響，其中數據收集和數據使用受到的關注度較高，數據分析次之，而數據存儲的關注度最低。表2具體列示了數據價值鏈各個環節所面臨的風險挑戰、對應的社會公平議題，以及政府為促進社會公平可選擇的因應對策。

（1）數據收集。公眾科學的數據可通過調查、社交媒體及手機、可穿戴設備等進行收集，其中缺乏移動設備或數字能力不足的弱勢群體就可能不在數據收集范圍之內，由此產生數據代表性不足的問題。當然，這只是產生數據代表性不足的客觀原因，其主觀原因可能是公眾由于擔心過度監控，而主動選擇“數字隱形”，以避免留下數字痕跡。數據的缺失不僅直接影響公眾科學項目的預期成效，還會使政府在制定公共服務政策時產生不公平。為了確保數據的代表性，政府可在公眾科學的資助審查中加大對數據收集的論證，要求受資助方設計一個可以彌合數據差距的收集方案，重點將較難觸及或處于邊緣處境的弱勢群體納入其中，并為他們有效參與數據收集活動提供必要的數字素養和硬件培訓。另一方面，針對主觀上存在的數字隱形問題，科學家應主動邀請公眾一起定義應收集哪些數據、包括具體的數據維度，重點關注數據所蘊含的政治歷史背景，以規避后續的數據分析可能會造成的歧視。

（2）數據存儲。從技術視角來看，數據存儲是指記錄和保存數字信息，以供當前或未來使用的磁性、光學或機械介質。但數據存儲不單純是一個技術問題，也是一個涉及基本數據權利的社會技術問題。由于PLM采用了隱私保護協議，參與者不僅擁有訪問、撤銷或刪除已上傳數據的權利，并能根據貢獻度的大小獲取數據共享后的相關服務。與之相比，雖然OW不收集和使用個人隱私數據，參與者也可以在平臺上訪問數據，但數據上傳后的使用缺乏透明度。英國氣象局將公眾上傳的數據進行加工后生成數據產品，在市場上進行銷售賺取利潤，然而公眾并沒有從中受益，這在數據所有權方面造成了不公平。政府在資助指南中應要求科學家提交一份安全透明且具有問責效力的數據存儲協議，未來可進一步根據數據存儲的共性需求委托相關機構進行關鍵技術攻關，為公眾科學的大規模發展提供數據安全基礎設施支撐。

（3）數據分析。公眾往往由于缺乏必備的專業知識或工具，而不能參與數據分析，這項任務通常由科學家承擔。但對于公眾提供的數據，科學家一般只是將其視為一串數字符號，未深入理解這些數據中所蘊藏的歷史文化和當地特色。那么，這樣的分析結果可能會強化數據背后的制度偏見，形成一種基于數據的社會建構，集中反映了數據生產者的價值觀和信念。此外，隨著人工智能越來越多地被用于分析數據，從而將公眾、科學家從繁瑣枯燥的數據清洗、分析中解放出來，使他們能以最符合其興趣、技能和潛力的方式為科學作貢獻。但這并非沒有風險，算法黑箱的存在會出現連算法工程師都不能理解的分析結果，這些結果可能會導致新的歧視。為了規避數據分析環節的不公平，政府在資助公眾科學項目時可要求受資助方提交數據分析模型展開倫理審查，也可要求在算法設計中加入利益相關者的隱性知識和價值觀，將數據分析置于更大的政治歷史系統之中進行考察。

（4）數據使用。公眾生成的數據通常被視為有價值的信息和知識來源，有助于科學研究和政府決策，所以數據使用關注數據分析結果帶來的社會建構價值。佩皮斯住宅區居民創建的噪聲動態地圖，質疑了政府城市建設規劃的不合理性，促使議會暫停了相關決策的審批，這無疑將給當地社會治理帶來深遠影響。但也不是所有的數據都能被正確使用，數據可能是為了某一目的而收集的，但數據的分析結果往往又被用于其他目的或被別的管理機構重復使用，這可能導致數據濫用、權力不對稱等。例如在剛果盆地的熱帶雨林保護中，官商合謀限制了數據的使用范圍，土著居民收集的數據并未對當地生態系統保護產生變革影響。其實與公眾相比，科學家、政府等利益相關者從數據分析結果的使用中受益更多，公眾反而可能成為被自己收集的數據所驅動的治理對象。為此，政府應采取必要的措施促進公眾對科學研究的全過程參與，加強公眾與政府、科學家之間的可信協作，打造共創型的公眾科學模式。

6 結語

本文基于社會公平與數據價值鏈的二維分析框架對公眾科學案例展開系統研究，發現政策制定者、科學家選擇收集哪些個人和群體的哪些數據，以及如何存儲、分析和將這些數據用于何種特定目的，對社會公平帶來的影響是復雜的。雖然公眾逐漸成為數據主體，但他們既沒有權利也沒有足夠的數字素養去了解自己的數據是如何被收集、存儲、分析和使用的。數據驅動造成的不公平主要由作為數據供給方的公眾來承擔，而科學家、政策制定者等數據使用方卻享有數據產生的效益，但不用對此承擔責任。案例分析結果表明，公眾的“貢獻性專業知識”是由社會政治的迫切需求引導的，而非遵循其所致力的科學研究的迫切需求，這就使得公眾科學并不總是以預期的方式塑造公眾、科學家和政策制定者之間的關系。

數據驅動的公眾科學實踐中的不公平，主要是由數據代表性不足、數據濫用、隱私泄露等問題引起，區塊鏈、隱私計算等數據安全技術對此提供了解決路徑。基于隱私計算將公眾收集的數據解構為不可見的“具體信息”和可用的“計算價值”，實現“數據可用不可見”；在此基礎上，通過區塊鏈對“計算價值”進行確權、存證及流通，達成數據“使用可控可計量”，從而在“原始數據不出域”的前提下釋放數據價值。簡言之，區塊鏈和隱私計算的融合創新在數據驅動的公眾科學實踐中應用廣闊，例如確認數據來源（提高數據代表性）、界定數據使用范圍（避免數據濫用）、追溯數據流通過程（確保權責分明）、防范數據安全風險（保護數據隱私）等。解決這些數據問題是科學設計公眾科學項目的關鍵環節，以便形成公眾對科學家、政策制定者工作的合理預期和情感認同，從而助力包容性開放科學運動的推進。

*本文系教育部人文社會科學研究青年基金項目“基于區塊鏈技術的公眾科學治理方式創新研究”（項目編號：22YJC630207）、成都市軟科學研究項目“面向西部（成都）科學城的科學數據可信流通路徑研究”（項目編號：2023-RK00-00019-ZF）成果之一。

張雙志 劉華錦：數據驅動的公眾科學實踐：基于社會公平視角的考察

Zhang Shuangzhi， Liu Huajin ： Data-Driven Citizen Science Practice： an Examination From the Perspective of Social Equity

參考文獻：

WIGGINS A， WILBANKS J. The rise of citizen science in health and biomedical research[J].American Journal of Bioethics，2019，19（8）：3-14.

UHLMANN E L. Scientific utopia III： crowdsourcing science[J].Perspectives on Psychological Science ，

2019，14（5）：711-733.

IRWIN A. No PhDs needed： how citizen science is transforming research[J].Nature，2018（562）：480-482.

楊正.“公眾科學”研究：公民參與科學新方式[J].科學學研究，2018，36（9）：1537-1544.

BLASIMME A， VAYENA E， HAFEN E. Democratizing health research through data cooperatives[J].Philosophy & Technology，2018，31（3）：473-479.

JOLLYMORE A. Citizen science for water quality

monitoring： data implications of citizen perspectives[J].

Journal of Environmental Management，2017（200）：

456-467.

University of Maryland. Sacoby wilson： biography

[EB/OL].[2023-08-01].https：//sph.umd.edu/people/sacoby-wilson.

牛毅沖，趙宇翔，朱慶華.基于科研眾包模式的公眾科學項目運作機制初探：以Evolution MegaLab為例[J].圖書情報工作，2017，61（1）：5-13.

HECKER S. Citizen science： innovation in open science， society and policy[M].London： University College London Press，2018：3.

BONNEY R. Citizen science： a developing tool for expanding science knowledge and scientific literacy[J].Bioscience，2009，59（11）：977-984.

Open humans （homepage）[EB/OL].[2023-06-01].https：//www.openhumans.org.

Patientslikeme （homepage）[EB/OL].[2023-08-01].https：//www.patientslikeme.com.

Community Engagement， Environmental Justice， Health （CEEJH）. Our mission[EB/OL].[2023-07-29].https：//www.ceejhlab.org/our-mission.

ELSE H. Crowdfunding research flips sciences traditional reward model[EB/OL].[2023-07-11].https：//www.nature.com/articles/d41586-019-00104-1.

JAMES W. Citizen science in the digital age： Rhetoric science and public engagement[M].Tuscaloosa： The University of Alabama Press，2017：11.

武學超.模式Ⅲ知識生產的理論闡釋：內涵、

情境、特質與大學向度[J].科學學研究，2014，

32（9）：1297-1305.

SINGH G. Smart patrolling： an efficient road surface monitoring using smartphone sensors and crowdsourcing[J].Pervasive and Mobile Computing，2017（40）：71-88.

BRANDI L. Emerging developments in citizen science： Reflecting on areas of innovation[EB/OL].[2023-07-29].https：//www.rand.org/pubs/research_reports/RR4401.html.

LIM C C. Mapping urban air quality using mobile sampling with low-cost sensors and machine learning in Seoul， South Korea[J].Environment International，2019（131）：105022.

金瑛，張曉林，胡智慧.公眾科學的發展與挑戰[J].圖書情報工作，2019，63（13）：28-33.

HEIGL F. Opinion： toward an international definition of citizen science[J].Proceedings of the National Academy of Sciences of the United States of America，2019，116（17）：8089-8092.

HINCKSON E. Citizen science applied to building healthier community environments： Advancing the field through shared construct and measurement development[J].International Journal of Behavioral Nutrition and Physical Activity，2017（14）：1-13.

BOWSER A. Accounting for privacy in citizen science： ethical research in a context of openness[C].In CSCW 17： Proceedings of the 2017 ACM Conference on Computer Supported Cooperative Work and Social Computing，2017：2124-2136.

ETTLINGER N. Open innovation and its discontents[J].Geoforum，2017（80）：61-71.

張雙志，張學梅.“元宇宙+研究型圖書館”：為開放科學賦能[J].新世紀圖書館，2023（6）：67-73.

JOHNSON N J， JAMES H. Svara. Justice for all： promoting social equity in public administration[M].

New York：Routledge，2011：6-7.

L?FGREN K， WEBSTER C W R. The value of big data in government： the case of ‘smart cities[J].Big Data & Society，2020，7（1）：1-22.

周翔，葉文平，李新春.數智化知識編排與組織動態能力演化：基于小米科技的案例研究[J].管理世界，2023，39（1）：138-156.

RUIJER E， PORUMBESCU G， PORTER R， et al.

Social equity in the data era： a systematic literature

review of data-driven public service research[J].Public Administration Review， 2023，83（2）：316-332.

張雙志 劉華錦：數據驅動的公眾科學實踐：基于社會公平視角的考察

Zhang Shuangzhi， Liu Huajin ： Data-Driven Citizen Science Practice： an Examination From the Perspective of Social Equity

張雙志 成都大學師范學院副研究員。 四川成都，610106。

劉華錦 成都大學師范學院教授。 四川成都，610106。

（收稿日期：2023-08-11 編校：曹曉文，左靜遠）