圖、文：許晏嘉；編輯：punkelephant
不管在影視作品裡或真實世界，環境污染的問題的揭發，常常是已東窗事發，被市民們察覺那邊不對勁，無論是空氣變臭、煙霧變多、身體開始出現怪毛病等，直到聯絡民意代表、政府機關、打1999或找上工廠，才揭發污染的真相。然而從發現污染到有效處置污染，是一條痛苦的荊棘路：不同的公家私人單位可能派出不同的監測人員、科學家進行調查。生活環境受到污染影響的居民，往往得被動等待調查結果出爐，等待政府單位依照調查結果，責罰造成污染源的單位、擬定污染處理策略、評估是否啟動司法程序請求補償；過程中即便政府會舉辦依法舉辦公聽會等程序告知階段性處理結果，然對於居民而言，如何主動改善自己的生活環境品質，在這個由上而下、過程漫長的治理監督的過程中，難有插手參與的空間，也因此在溝通與等待的過程中，產生摩擦與不信任。
我的博士論文研究，處理的核心議題是如何透過與公民共同設計、建造、部署、和評估監測都市環境的開放數位平台，來進行社區賦權的工作，並協助解決當地公民提出的重要社會和環境議題。從由下而上的觀點發展的社區公民科學（Community Citizen Science）[1]，將科學研究與社會環境議題更緊密的結合。在這個社區賦權、賦權的過程中使社區居民能自主與積極地闡述需求，解決問題，和提倡公民對環境議題的影響力。
社區公民科學將解決社會環境議題的方法推向永續（sustainability）的層次，讓社區在科學家與決策者退出後繼續維持高度的自主性與參與度。社區公民科學是建造開放數位平台來解決社會環境議題的基礎，並有以下三個重要的特點：
- 採納參與式民主（participatory democracy）來進行科學研究並影響決策者
- 運用社區共同設計（community co-design）來與公民團體一起建造開放數位平台
- 使用科學證據與數據來由下而上重新平衡決策者與公民的權力（power relationships）
本文將分享三個我在美國賓細法尼亞州匹茲堡市進行博士研究期間參與的例子，分別是空氣品質監測系統、城市氣味回報系統與工業排放煙霧標記與辨識系統。匹茲堡在二次世界大戰時，是美國的大型工業城市，近年逐漸轉型為以高科技知識經濟與醫療科技發展為主的中型城市。
與居民一起設計的空氣品質監測系統
在美國賓夕法尼亞州匹茲堡市的幾個當地社區中，有高達七萬多名的居民，幾十年來長期生活受到附近石化煉油廠排放的煙塵影響。石化煉油廠煙囪排放的危險化學物質與懸浮微粒，造成嚴重的空氣污染。儘管當地衛生局的官員和科學家有研究空氣污染在當地的影響，但研究結果並沒有以易於理解的形式向當地居民公開。 久而久之，這種不透明的方法讓居民與政府之間缺乏信任與加速對立。在這個計畫裡，我們的團隊採用了社區公民科學的方式，與居民一起設計、建造空氣品質監測系統，讓當地居民能透過科學證據，來對抗空氣污染，提倡改善社區空氣品質。
為了提出空氣污染如何影響當地生活品質的證據，居民組織了社區團體來收集資料。然而居民手動收集的數據，由於缺乏關鍵性的科學證據，常被政府機構忽視與低估。我們的團隊作為技術支持者，首先協助社區部署了室外空氣品質感應器和監控攝影機，並使用Google線上表格的協作，收集居民對空氣臭味的投訴。同時，我們也開發了一個視覺化系統來呈現收集到的不同形式的數據，包含感應器的空氣品質讀數、氣味投訴，和監控攝影機的影片 [2]。
監控攝影機收集資料影片的數量龐大，因此在視覺化系統的平台Shenango Channel上，我們設計了搜尋系統，居民可以手動搜尋資料庫裡特定時間、地點的監控攝影機與相連的資料，並將需要的資料如帶有危險煙霧排放的影片，輸出成短片來分享使用。由於這種手動方法需要大量的人力來處理攝影機拍攝的資料，因此我們開發了電腦視覺（Computer Vision）工具來自動辨識煙霧並產生短片。這些短影片可以讓居民共享。這個空氣品質監測系統讓居民可以用具體的科學證據講故事，傳達訊息給決策者和社會大眾，了解當地的空氣污染事件如何影響社區居民。
在建造系統的過程當中，我們進入社區的定期會議中與他們共同設計（co-design）系統，讓居民參與每個系統功能設計的環節與決定。與社區居民共同設計這個系統的過程讓我們得到了啟示與產生社會影響。從使用者資料的分析中，我們發現手動與自動的方法在公民參與各自扮演了不同角色。手動的方法可以鼓勵居民實際參與收集科學證據的過程，尤其是在剛開始收集資料的階段。自動的方法可以減少收集證據所需的時間與工作量，可以促進長期的公民參與。
另外，通過參與計畫的公民進行問卷調查，我們發現共同設計這個系統的過程，讓使用者的自我效能（self-efficacy）在統計上有顯著提高。這意味著以往只能被動對政府與電廠抗議的公民，在共同設計與執行的過程，感覺自己對自己關心的公共事務使得上力，動手參與改變。問卷中的使用者表明該系統促進了與決策者的討論，並賦權公民採取行動來改善空氣污染。
由於空氣品質偵測系統的協助，居民得以在與政府進行的社區會議上，提出有力的證據顯示污染排放的時間、影片與相關偵測資料，鐵證擺在簷前，使得公部門無可迴避，也無法反擊居民提出的指控缺乏證據（需要有關單位再研究）。在2015年11月的社區會議中，居民使用了電腦視覺技術提供的煙霧短片，結合個人經驗來講述空氣污染對當地的影響，成功地讓政府官員公開回應了空氣污染在當地的問題（新聞連結）。這種影響表明了開放數位平台能使公眾與政府在公開會議上可以有效地討論社會環境議題。「巧合」的是，這個長期以來居民抗議的煉油石化廠，在開完社區會議的一個月後，在2015年12月就關門大吉了呢！這個計畫進行數年，在2020年贏得美國表揚工程研究推動社會影響力的Constellation Prize 年度社區參與獎。
滑手機幫忙找出臭味來源的城市氣味回報系統
許多典型的美國城市，如匹茲堡，通常會部署空氣品質監測站來測量空氣污染的影響，但這些監測站通常造價昂貴，無法大量設置，因此分佈稀疏，不是很能有效即時反應、監測社區尺度的空氣污染。從之前與當地居民共同設計空氣品質監測系統的經驗中，我們了解到氣味是居民用來描述空氣污染的主要方式之一。儘管居民可以通過電話或網站向當地衛生局回報工業產生的污染氣味問題，但臭味是一個很弔詭的事情。首先形容臭味是一個很主觀的描述，其次是臭會隨著空氣飄散，即便有回報，加上居民對地點與時間的回報誤差，收集到的資訊並不是很準確，也提高精準找到污染源準的難度。最後的結果就是，偏誤度高的回報過程，加上難以準確收整資訊，使得臭味回報成為一個不透明的過程，每個人感知、回報臭味的方式都不同，難以分享經驗給他人，在污染源偵測上，更是難以評估空氣污染只有影響社區，或者是整個城市都在影響範圍內。
為了收集城市的氣味資料，我們開發了Smell Pittsburgh的系統 [3]，讓匹茲堡居民可以透過智慧型手機來回報工業污染氣味。該系統記錄正確的氣味發生時間與地點，並即時的將資料視覺化在地圖上，讓居民能夠查看其他人是否也聞到類似的氣味。此外，系統也同時將報告回傳給當地的衛生局，讓政府機構可以查看並分析數據來找出污染源。
我們也更近一步地使用居民回報的氣味資料和當地的空氣品質讀數來訓練一個機器學習（Machine Learning）模型，該模型可以預測未來的污染氣味並透過智慧型手機向用戶發送推播。我們還使用了統計方法來解釋污染氣味報告與空氣品質之間的關係，這個關係有潛力能幫助釐清污染的產生原因。透過使用者參與的問卷調查，我們發現，相對於外在因素（例如獲得金錢，名聲，與權力），公民使用該系統的動機大部分來自於內在因素（internal factors），包含渴望幫助科學家提供證據，利他主義（希望幫助別人），和驗證個人的氣味經驗。
儘管「氣味」對有關單位來說，不是非常有效的資料，因為不同個體對嗅覺的辨識是主觀的。然而，這個回報系統的資料分析顯示，公民回報的氣味數據，的確可以幫助識別當地的空氣污染源。更重要的是，在這個傾社區眾人之力共同努力的計畫，賦權社區主動監測、維護並追求更好的空氣品質。
與我們團隊合作的當地的倡議團體Breathe Collaborative，在2018年7月的衛生委員會會議上，提出藉由城市氣味回報系統收集的數據為佐證，說明居民受到空氣污染的影響（新聞連結）。當地衛生局在會議後宣布，他們將對石化煉油廠製定更嚴格的排放規範。對於社區公民而言，藉由這個開放數位平台的協助，共同收集有效的資料並加以分析處理，有憑有據的拿出鐵證與地方政府溝通，共同推動社區環境品質的提升。對我們團隊而言，更加表明將社區公民科學與開放數位平台應用在都市環境議題上，突破以往只限研究人員和政府機構單方面調查環境污染的盲點，能更有效的幫助政府機構制定決策。
人工智慧應用標記工業排放煙霧標記與辨識系統
我們在過往的經驗中發現，依照美國環保署制定的方法監測工廠煙霧排放，即便動用公民群眾收集資料的力量，執行起來依然耗時費力。然而開發前文所提空氣品質監測系統的過程中，發現使用電腦視覺技術來自動識別工業煙霧，可以有效的收集空氣污染的科學證據。但是，我們之前開發的電腦視覺模型，是針對某些特定攝影機收集的工廠影片資料來手動調整參數，這個方法無法推廣到更多不同型號的攝影機與不同的工廠上。另外，現有的煙霧數據集（dataset）所包含的影片品質與數量，也不足以訓練可靠的電腦視覺模型，來識別工業廢氣污染和倡導改善空氣品質。
為了克服數據的品質和數量的問題，我們與同一個空氣品質倡議團體Breathe Collaborative一起設計與部署了一個新的工業煙霧標記系統[4]。該系統讓我們可以邀請公民來標記影片們是否有工業煙霧。影片是由我們研究室與居民一起架設的攝影機監控網路獲得。該系統的設計與使用方法是根據社區居民的回饋意見來反覆改善而得。
透過與社區倡導團體和大學中舉行的兩場工作坊，三場社區會議，和兩場大學演講，我們招募了大約60個志願者一起標記煙霧，建立了一個包含高達12567個影片的煙霧數據集。數據收集的時間，跨越了兩年的四個季節中的30個白天，並涵蓋了不同天氣和光照條件下的煙霧特徵，例如不透明度和顏色等。這個數據集總共有19個不同的景，從三個在不同位置的攝影機所拍攝的全景圖裁切而來。我們使用人工智慧（Artificial Intelligence）中的深度學習網路（Deep Neural Network）進行實驗，以建立煙霧識別正確度的基準。我們也用了不同的技術來處理時間資訊，並展示了在此數據集中用影片的時間資訊來識別煙霧的挑戰。
設計與部署此系統的過程，展示了透過人工智慧來賦權公民推動環境品質改善的方法，並向其他科學研究者闡述實際上會面臨的挑戰。我們的問卷調查顯示，志願者參加煙霧標記的動機包含了支持空氣品質倡導，幫助科學研究，以及推動政府機構執法。我們已經使用了這個人工智慧模型來自動識別工業煙霧影片，這幫助了匹茲堡當地空氣品質倡導團體與衛生局官員整理一系列的嚴重空氣污染事件，以作為科學證據來進行污染來源研究。我們希望這個研究專案可以鼓勵其他科學家與決策者將社區和公民置於每個人工智慧系統設計階段的中心。
未來挑戰與展望
回顧這三個案例，我們發現使用社區公民科學來建造開放數位平台，一開始常會遭遇到所謂的「棘手問題（Wicked Problems） 」：每個社區的狀況、組成不同，遭遇到的問題也不一樣，研究團隊一進到社區，往往在還無法有比較完整的觀察前，就要開始工作了。面對科學未知，勇於嘗試的精神，遇上殷切期盼解決問題的居民，儘管科學家也懷抱著利用開放數位平台生成科學證據，來表達對社會環境議題的關切，但實在無法拍胸脯的保證，這個方法能不能有效解決問題，找出方案。
這樣的情況下，相較於在實驗室裡，科學家少了試錯的機會，提起勇氣進到社區，也無法準確預測公民是否有意願參與，並貢獻足夠的數據，得出有意義的分析與見解。種種的不確定下，判斷要用來產生科學證據所需的人力，時間，與地理規模是非常困難的挑戰。此外，雖然在實驗設計上，收集、呈現、分析和使用數據的方法有很多種，然而若要探索和評估某種方法有沒有用，我們得在實際環境中，與公民共同設計與部署開放數位平台，來來回回的嘗試，都需要公民一起合作。
最後回到每個環境議題事件中，都有其社會政治經濟脈絡，這之中利益相關人間組成的網絡、彼此間的權力關係各異。科學團隊進到這些議題的場域裡，絕對不只是裝裝感應設備、建立數位平台，公民就會興高采烈的自動合作。相反的，進到每一個社區，我們都必須針對不同的情況與問題，找出適合接觸社區與居民，邀請他們一起合作的策略。社區公民科學要達到支持永續性和賦權社區的目的，在數位工具之外，還有更多挑戰，需要跨領域的研究來解決。
社區公民科學的目標，是賦權公民和科學家，讓他們能表達意見，揭示當地的社會環境問題，並建立更公平的權力關係。從以上這些案例裡面，學到的經驗或許可以在其他情況下使用。但是，在用社區公民科學來設計系統的時候，我們必須注意到，未經深思熟慮而只是複製他人的成功經驗來使用科技干預，可能會對當地社區造成不可挽回的傷害。
建造開放數位平台需要跨學科的技能與培訓，包含系統開發，互動設計，資料數據分析，社區參與，和研究方法。為了使科學研究和當地的社會環境議題緊密結合，我們呼籲將社區公民科學建立為正式的研究領域，並將電腦運算思維（computational thinking）和設計思維（design thinking）整合到課程中，通過社區實地考察了解當地問題，定義研究問題，與當地居民共同設計系統，並評估系統部署之後造成的社會影響。如此，我們才能超越原本「作為科學家的公民（citizens as scientists）」的思考模式，並進一步地成為「作為公民的科學家（scientists as citizens）」。
參考文獻
[1] Yen-Chia Hsu and Illah Nourbakhsh. 2020. When Human-Computer Interaction Meets Community Citizen Science. Communications of the ACM. (https://arxiv.org/pdf/1907.11260.pdf)
[2] Yen-Chia Hsu, Paul Dille, Jennifer Cross, Beatrice Dias, Randy Sargent, and Illah Nourbakhsh. 2017. Community-Empowered Air Quality Monitoring System. In Proceedings of the 2017 CHI Conference on Human Factors in Computing Systems (CHI 2017). ACM. (https://arxiv.org/pdf/1804.03293.pdf)
[3] Yen-Chia Hsu, Jennifer Cross, Paul Dille, Michael Tasota, Beatrice Dias, Randy Sargent, Ting-Hao Huang, and Illah Nourbakhsh. 2020. Smell Pittsburgh: Engaging Community Citizen Science for Air Quality. ACM Transactions on Interactive Intelligent Systems. (https://arxiv.org/pdf/1912.11936.pdf)
[4] Yen-Chia Hsu, Ting-Hao (Kenneth) Huang, Ting-Yao Hu, Paul Dille, Sean Prendi, Ryan Hoffman, Anastasia Tsuhlares, Jessica Pachuta, Randy Sargent, and Illah Nourbakhsh. 2020. Project RISE: Recognizing Industrial Smoke Emissions. The Thirty-Fifth AAAI Conference on Artificial Intelligence (AAAI-21), Track on AI for Social Impact. (https://arxiv.org/pdf/2005.06111.pdf)
荷蘭台夫特理工大學（TU Delft）的工業設計工程學院（Faculty of Industrial Design Engineering）的博士後研究員，具有資訊工程和建築設計背景。他的研究興趣是設計，建造，部署，和評估互動式人工智慧系統來賦權社區並與當地居民一起解決環境和社會問題。之前，他是美國卡內基梅隆大學（CMU）機器人學院的博士後研究員。 他於2018年獲得CMU機器人學院的博士學位。 在此之前，他於2012年從CMU的建築學院獲得了互動設計的碩士學位，在那裡他研發互動式機器人和可穿戴設備的原型。 在加入CMU之前，他於2010年在台灣國立成功大學獲得了建築和資工雙學士學位。更多關於作者的資訊請看他的個人網站：http://yenchiah.me/。