一个多算法集群框架,以优化植物知识模式检测在民族植物学研究

科学领域:

• 民族植物学 民族植物学
• 文化人类学 文化人类学
• 数据科学数据科学数据科学

背景情况:

• 民族植物学研究越来越多地使用定量方法来识别知识模式.
• 现有的方法往往忽视了社区内的民族植物学知识系统的多维性和内部异质性.
• 需要一个全面的方法框架来增强民族植物学知识模式的检测,并为算法选择提供指导.

研究的目的:

• 引入和评估一个基于多算法方法的综合方法框架,用于 etnobotanical知识模式检测.
• 增强对民族植物学知识体系的多维性质和内部异质性的理解.
• 提供针对特定的研究环境而量身定制的算法选择协议,以民族植物学为研究背景.

主要方法:

• 来自智利瓦尔帕莱索的1000名信息者组成的民族植物学数据集的分析.
• 评估五个聚类算法类别:层次,基于分区,基于密度,基于模型和基于神经网络.
• 使用内部验证指标,交叉方法一致性,集群稳定性和新兴指数 (变量影响,集群凝聚力,分类同质性) 评估算法性能.

主要成果:

• 民族植物学知识表现出一个层次和多维结构,从广泛的社区模式到专门的个人资料.
• 不同的算法类型捕获了知识变化的不同维度:层次/分区方法识别了广泛的模式,基于密度/神经模型检测了专业的配置文件,基于模型的方法揭示了平衡的结构.
• 年龄和职业是知识组织的关键社会人口统计预测因素,算法之间的一致性较低,突出了它们在捕捉文化知识变化中的互补作用.

结论:

• 拟议的多算法框架显著增强了民族植物学研究的分析工具包.
• 这种方法有助于更深入地了解民族植物学知识是如何在社区内结构化,共享和专业化的.
• 算法适用性取决于上下文,不同的方法揭示了知识结构的特定方面,使得社区之间的比较更好.