Il termine Citizen Science (CS), nella forma più comunemente utilizzata, fu introdotto per la prima volta nel 1989 in un articolo pubblicato nella rivista MIT Technology Review curata dal Massachusetts Institute of Technology (Kerson 1989). L’articolo in questione, denominato “Lab for the Environment”, descriveva l’attività di monitoraggio delle piogge acide condotta in tutti i 50 Stati federati americani da parte di 225 membri associati della Audubon Society come «un programma di Citizen Science», argomentando che

Già in questa prima formulazione emergevano alcuni elementi chiave della CS: la partecipazione volontaria, la raccolta dati, la loro diffusione ed infine la dimensione politica. Da allora molte altre definizioni sono state formulate e la selezione che si presenta di seguito ha l’obiettivo di analizzarne gli elementi fondamentali (Lewenstein 2016; Bonney et al. 2016).

I primi tentativi di definire in forma sistematica la CS furono intrapresi dal sociologo britannico Alan Irwin (1995) e successivamente dal biologo statunitense Rick Bonney (2007). Irwin descriveva la CS come pratica «di cittadinanza scientifica che mette in primo piano la necessità di aprire la scienza e i processi di policy scientifica al pubblico» (Irwin 1995, ix) enfatizzando due dimensioni rilevanti del rapporto tra cittadini e scienza: la prima, che la scienza dovrebbe rispondere alle preoccupazioni e ai bisogni dei cittadini e la seconda, che i cittadini stessi sono in grado di produrre conoscenze scientifiche affidabili. Con un’altra prospettiva, Bonney, che lavorava al laboratorio di ornitologia della Cornell University di Ithaca, definiva la CS come un metodo che

ponendo l’accento sul metodo «partecipativo» attraverso il quale le persone contribuiscono con le loro osservazioni al progetto scientifico.

In seguito a tali posizioni, nel dibattito scientifico si sono distinti due diversi filoni interpretativi che si focalizzano rispettivamente sul coinvolgimento della società civile e sulla produzione di dati.

In particolare, il primo filone, come suggerito da Irwin pone l’accento sulla CS come pratica condotta principalmente con obiettivi di democratizzazione, impegno pubblico, equità e giustizia nel discorso scientifico e nella definizione dell’agenda di ricerca (Irwin 1995; Irwin e Horst 2015); il secondo, elaborato da Bonney circoscrive le attività di CS alla collaborazione tra il pubblico e gli scienziati professionisti per raccogliere, presentare e/o analizzare collettivamente grandi quantità di dati (Bonney 1996; Dickinson, Zuckerberg e Bonter 2010).

Il secondo filone ha prevalso nel dibattito scientifico degli ultimi 20 anni (Ceccaroni et al. 2017), come dimostrano le definizioni di seguito selezionate tra quelle più citate nella letteratura scientifica recente (Tab. 1.1) che, ad eccezione della definizione di Lewenstein (2004), si articolano intorno a due pilastri principali della CS: l’impegno scientifico e i non-scientist/citizen scientist.

Alcuni autori hanno cercato di combinare questi due filoni in un inquadramento più articolato (Ceccaroni et al. 2017). Eitzel et al. (2017, 6), ad esempio, hanno proposto una definizione ampliata per sottolineare gli aspetti sociali e politici in gioco nei progetti di CS:

Questa definizione sottolinea la natura collaborativa della CS, non solo come strumento di raccolta dati, ma come mezzo per aprire la scienza al pubblico e democratizzare la produzione di conoscenza. Anche secondo Shirk et al. (2012), la CS, lungi dal limitarsi a generare dati, si configura come strumento educativo poiché «i progetti di CS offrono ai partecipanti un modo per imparare i metodi scientifici e contribuire alla ricerca, migliorando al contempo la loro alfabetizzazione scientifica» (37). Sulla stessa scia, Ceccaroni et al. (2017, 6) descrivono la CS come

ponendo quindi l’attenzione sul ruolo delle comunità nel progresso scientifico.

Del resto, già nel 2013 la Commissione Europea pubblicava The green paper on Citizen Science focalizzandosi sullo scopo principale di democratizzare la scienza e consentire a scienziati non professionisti di partecipare alla ricerca scientifica. Il rapporto sottolineava, inoltre, i molteplici benefici sociali della CS, dal coinvolgimento all’empowerment dei partecipanti, dal miglioramento dell’alfabetizzazione scientifica, all’aumento della fiducia nei processi scientifici. In sostanza il documento evidenziava la potenzialità della CS di colmare il divario tra ricercatori professionisti e società civile, creando ambienti di ricerca più inclusivi e collaborativi e promuovendo il coinvolgimento del pubblico alla formulazione di politiche territoriali per la sostenibilità (EC 2014).

In seguito alla proliferazione di attività, progetti e sperimentazioni di CS, le relative definizioni si sono dunque arricchite di altri elementi quali la partecipazione, la democratizzazione della scienza, la responsabilità civile, l’educazione ecc. Questa espansione ha trovato ulteriore riscontro nella produzione scientifica come documentato dalla rapida crescita del numero di pubblicazioni che includono il termine Citizen Science nel titolo, abstract o parole chiave delle ricerche realizzate nell’ultimo ventennio (Fig. 1.1).

Figura 1.1 – Andamento delle pubblicazioni scientifiche che includono il termine Citizen Science nel titolo, nell’abstract o come parola-chiave (anni 2004-2024). Fonte: Elaborazione degli autori su dati Scopus (ultimo accesso: 2025-01-10).

Oltre al vasto panorama di definizioni della CS offerte in ambito scientifico, ve ne sono infine altre elaborate da istituzioni pubbliche, organizzazioni governative e media di varia natura. Le definizioni ancora una volta adottano visioni diverse in funzione degli obiettivi che si intende raggiungere (Tab. 1.2). Come osservano Haklay et al. (2021) nelle diverse esplicazioni si rilevano prospettive descrittive, strumentali e normative.

Citizen Science

* Definizione estratta e tradotta da National Geographic s.d. Fonte: Elaborazione degli autori.

La maggior parte delle definizioni con un carattere descrittivo esplicita il tipo di attività che viene definita come CS e delinea alcune caratteristiche circa il tipo di collaborazione che si instaura. Ciò è particolarmente evidente nel caso dell’Oxford English Dictionary (2014) o della omonima voce di Wikipedia, che la definisce come «ricerca scientifica condotta, in tutto o in parte, da scienziati dilettanti (o non professionisti)».

In altri casi si evidenziano aspetti strumentali, che spiccano soprattutto nel caso delle definizioni di agenzie governative che adottano una versione che si adatta ai loro scopi e obiettivi, come ad esempio quella dell’EPA – US Environmental Protection Agency (2018). Infine, in tutte le definizioni sono inclusi aspetti normativi, che presentano le aspettative dei diversi attori all’interno di un progetto di CS, come ad esempio nella definizione UNESCO (2013).

Al di là degli elementi descrittivi, strumentali e normativi, le diverse definizioni evidenziano le profonde sfide scientifiche, politiche e sociali affrontate dalle pratiche di CS.

Sebbene tutte queste definizioni abbiano molti aspetti in comune – la centralità del pubblico, la partecipazione all’attività di ricerca e la produzione di informazioni – la maggior parte di esse restano aperte all’interpretazione (Fig. 1.2). In particolare, raramente si elabora il significato dei due termini portanti, ovvero citizen e science. Riguardo al primo, ad esempio, i citizen potrebbero essere intesi sia come soggetti legalmente riconosciuti in uno Stato oppure come abitanti della ‘città’. Se così fosse l’individuazione dei citizen sarebbe problematica se si considera che il riconoscimento legale della cittadinanza può essere complesso; allo stesso modo se il citizen fosse un cittadino urbano si darebbe priorità a certi ambiti e non ad altri. Nessuna di queste due accezioni è dunque da ritenersi adeguata al significato che le definizioni intendono attribuire ai citizen, che andrebbero più propriamente intesi – in un gergo informale – come membri di una comunità. Lo stesso vale per il termine science, che si riferisce genericamente a qualunque impresa e attività di ricerca scientifica risultante dall’applicazione dello sforzo intellettuale di scienziati professionisti.

La CS si è affacciata nel dibattito scientifico recentemente ma si riferisce a pratiche condotte anche in passato (Eitzel et al. 2017, Miller-Rushing et al. 2012). Prima della professionalizzazione della scienza, molti ‘scienziati’ amatoriali, cittadini curiosi e appassionati, hanno tentato di indagare il mondo attraverso l’osservazione e il monitoraggio di fenomeni diversi, dalle galassie alle balene e alle specie rare.

I primi passi di ciò che oggi descriviamo come scienza moderna, possono essere rintracciati nel periodo della cosiddetta ‘rivoluzione scientifica’ del XVI e XVII secolo, ben prima della diffusione del termine «scienziato», entrato in uso a partire dal XIX secolo. Già nel corso del Seicento, e probabilmente anche prima, alcuni studiosi avevano iniziato a reclutare non specialisti per contribuire alle osservazioni dell’ambiente naturale. È il caso di un vescovo norvegese che alla metà del XVIII secolo creò una rete di ecclesiastici e li incaricò di raccogliere osservazioni e oggetti naturali da tutto il paese per sostenere le sue ricerche (Brenna 2011; Miller-Rushing, Primack, e Bonney 2012). Questo metodo era comune tra i primi ecologisti, come John Ray e Carl Linnaeus, che si avvalevano di collaboratori per raccogliere campioni e dati da diverse parti del mondo conosciuto, come rappresentato dalla mappa seguente che descrive le osservazioni dei capodogli effettuate da marinai e navigatori nel secolo XIX (Fig. 1.2). Tali contributi da parte di scienziati non professionisti hanno permesso di costruire alcune delle collezioni più preziose di animali, piante, rocce, fossili, oggetti d’arte e altri esemplari in tutto il mondo (Eitzel et al. 2017, 6-7). Ancora, a metà Seicento nel Delaware il missionario John Campanius Holm registrava dati riguardanti le tempeste con la speranza che, una volta aggregati con i dati raccolti dai cittadini, si sarebbe individuato un metodo per comprendere quando e dove si sarebbero abbattute le tempeste. Un altro esempio rilevante di progetto scientifico di quell’epoca è il cosiddetto ‘grande esperimento delle maree’, il cui obiettivo era misurare il comportamento delle maree, sia in modo continuo in un’unica località, sia attraverso diverse stazioni di osservazione (García et al. 2021).

Figura 1.2 – La mappa delle balene (1851). Didascalia: questa carta tematica fu redatta da Matthew Fontaine Maury, ufficiale di marina e oceanografo americano che dal 1842 al 1861 ricoprì il ruolo di sovrintendente del U.S. Navy Depot of Charts and Instruments (poi U.S. Naval Observatory). Raccogliendo dati da varie fonti, tra cui le indicazioni dei marinai riportate sui registri delle navi baleniere, compilò questa mappa che mostra la distribuzione di diverse specie di balene. Il colore rosa rappresenta i capodogli, particolarmente apprezzati per il loro olio; il colore blu la balena franca; il verde rappresenta un misto dei due tipi di balene. Fonte: Leventhal Map. s.d.

Più tardi Thomas Jefferson, uno dei padri fondatori dell’America, fu il primo ad immaginare una rete di osservatori meteorologici comprendendo l’importanza dello studio dei fenomeni climatici. Secondo il National Weather Service, Jefferson reclutò osservatori volontari in sei Stati: Virginia, Massachusetts, Pennsylvania, Connecticut, New York e North Carolina. È sulla base di questo lavoro che, nel 1849, lo Smithsonian Institute istituì un sistema di raccolta dei dati meteorologici. Nel 1990, il numero dei punti di osservazione aveva raggiunto 10.000 stazioni, oggi ne conta 12.000. Questo sistema esiste ancora sotto forma di Cooperative Observer Program ed è utilizzato anche dal National Weather Service.

Tra le prime imprese scientifiche che possiamo propriamente intendere come progetti di CS, c’è senza dubbio quello lanciato verso la fine del XIX secolo dall’ornitologo Wells Cooke, che si rivolse agli appassionati di ornitologia per raccogliere informazioni sulla migrazione degli uccelli. Il programma si evolse nel North American Bird Phenology Program, che fu gestito dal governo federale americano fino agli anni Settanta del secolo scorso (Cooke 1915).

Altro settore ancora, in cui i cittadini hanno partecipato in modo sostanziale alla ricerca scientifica, è l’astronomia dove scienziati dilettanti osservavano collettivamente una varietà di oggetti e fenomeni celesti (Mims 1999).

Dunque, di pari passo con la professionalizzazione della scienza, la CS si è evoluta fino a diventare quella che conosciamo oggi, soprattutto nell’ambito della biologia e del monitoraggio meteorologico. Molti altri potrebbero essere gli esempi, ma il progetto che sembra segnare definitivamente la nascita ufficiale della CS è il Christmas Bird Count della National Audubon Society (cfr. Scheda 1.1). Ogni anno, dal 1900, la Society chiede ai cittadini di osservare e raccogliere informazioni sugli uccelli tra il 14 dicembre e il 5 gennaio. Il Christmas Bird Count è attivo ormai da oltre un secolo ed è oggi un progetto a livello internazionale a cui partecipano più di 2.000 gruppi amatoriali di birdwatching (Roy et al. 2012).

Scheda 1.1 Il progetto Christmas Bird Count

Nell’America del XIX secolo le festività natalizie erano legate ad una tradizione conosciuta come side hunt, una competizione di caccia agli uccelli selvatici (Kostadinova 2011).

Nel 1900 questo rituale si trasformò profondamente quando un ornitologo, Frank Chapman, preoccupato dal progressivo declino dell’avifauna americana, suggerì di trasformare il side hunt in un’occasione per conoscere e conteggiare gli uccelli, dando così vita a quello che ancora oggi è conosciuto con il nome di Christmas Bird Count (CBC) (Kostadinova 2011), programma che prevede il monitoraggio e la conta degli uccelli avvistati durante il periodo natalizio (con precisione, dal 14 dicembre al 5 gennaio di ogni stagione).

Grazie all’impegno dei volontari del CBC e di altri rappresentanti di movimenti ambientalisti americani, nel 1905 a New York venne formalmente costituita la National Audubon Society1, associazione riconosciuta a scala globale che da oltre un secolo si impegna per proteggere la biodiversità.

Già dai suoi primi anni di attività la National Audubon Society, mediante la diffusione delle informazioni del CBC e tutta una serie di iniziative e attività di advocacy, riuscì a produrre importanti impatti politici, basti pensare che diversi provvedimenti normativi che vietano l’uccisione illegale di uccelli e animali, l’importazione di specie non autoctone e la vendita o il possesso di piume di specie di uccelli protette (Audubon Plumage Law del 1905) vennero emanate proprio in quegli anni su sollecitazione dei membri della Society. Da allora, inoltre, la Society ha stretto partnership con numerosi enti ed istituzioni internazionali, governi locali, università, scuole ed enti di ricerca, per affermare il ruolo della scienza partecipata per la difesa ed il ripristino dell’avifauna.

Nel corso degli anni il CBC si è notevolmente ampliato fino a costituire oggi uno dei programmi di CS per il monitoraggio ornitologico più rilevanti al mondo, sia in termini di longevità che per diffusione geografica (Dunn et al. 2005). Attualmente, infatti, grazie alla partecipazione di migliaia di volontari il CBC permette di realizzare un vero e proprio censimento degli uccelli negli Stati Uniti, in Canada, in America Latina e in molti altri Paesi dell’emisfero occidentale.

Negli anni, il peso politico della National Audubon Society è enormemente cresciuto grazie all’importante base informativa prodotta in seno al CBC e più in generale dalle varie iniziative promosse dalla Society. Ad oggi i dati del CBC sono impiegati non solo per la realizzazione di pubblicazioni e report di carattere scientifico, ma sono utilizzati soprattutto per la realizzazione di piani di ristoro della biodiversità, report sul clima, leggi e regolamenti nazionali (non solo statunitensi), strategie locali e nazionali ecc. (Dunn et al. 2005).

La rapida espansione della CS a scala globale ha reso necessario creare un lessico comune, identificare obiettivi condivisi e linee di condotta entro le quali operare. A tal proposito sono nate numerose reti e associazioni di ricerca sul tema tra le quali l’European Citizen Science Association (ECSA)2 fondata nel 2013, il cui gruppo di lavoro denominato “Sharing best practice and building capacity” ha stilato una lista di dieci principi-chiave (Robinson et al. 2018; Hecker et al. 2018).

I ‘dieci principi della Citizen Science’, adattabili e applicabili a tutti i campi nei quali la CS si trova ad operare, sono:

1) i progetti di CS coinvolgono attivamente i cittadini in attività scientifiche che generano nuova conoscenza o comprensione;

2) i progetti di CS producono un risultato scientifico originale;

3) sia gli scienziati professionisti sia i cittadini coinvolti traggono vantaggio dal prendere parte a progetti di CS;

4) le persone coinvolte in progetti di CS possono, se vogliono, prendere parte a più fasi del progetto scientifico;

5) le persone coinvolte in progetti di CS ricevono feedback;

6) la CS è considerata una metodologia di ricerca come qualunque altra, con limiti e margini di errore che devono essere considerati e tenuti sotto controllo;

7) dati e metadati provenienti da progetti di CS sono resi pubblicamente disponibili e, ove possibile, i risultati sono pubblicati in un formato di libero accesso (Open Access);

8) il contributo delle persone coinvolte in progetti di CS viene riconosciuto ufficialmente nei risultati dei progetti e nelle pubblicazioni;

9) i programmi di CS vengono valutati per il loro risultato scientifico, per la qualità dei dati, l’esperienza dei partecipanti e l’ampiezza dell’impatto sociale e sulle politiche di settore;

10) i responsabili di progetti di CS prendono in considerazione aspetti legali ed etici relativi a copyright, proprietà intellettuale, accordi sulla condivisione dei dati, confidenzialità, attribuzione e impatto ambientale di ogni attività (ECSA 2015).

Partendo dagli enunciati dei dieci principi, è possibile approfondire alcuni aspetti fondamentali e criticità applicative della CS:

1) partecipazione dei cittadini alle attività scientifiche: i progetti di CS coinvolgono attivamente i cittadini nella creazione di nuove conoscenze, impegnandoli in vere e proprie attività scientifiche. Tuttavia, questi progetti spesso faticano a coinvolgere gruppi sottorappresentati, come le comunità di minoranza etnica e quelle provenienti da contesti socioeconomici più fragili. Le linee guida emergenti mirano a risolvere questo problema aumentando la flessibilità e allineando meglio i progetti alle priorità delle comunità;

2) risultati scientifici: i progetti di CS devono condurre a risultati scientifici autentici, distinguendoli dalle semplici attività educative. Sebbene molti progetti abbiano contribuito alla ricerca scientifica e alla formulazione di politiche pubbliche, alcuni non riescono a utilizzare i dati in modo efficace a causa di difetti di progettazione o di limitatezza delle risorse;

3) benefici reciproci: sia gli scienziati professionisti che i partecipanti devono trarre beneficio dalla CS perché la pratica sia sostenibile. I benefici possono includere miglioramenti nel mondo del lavoro, il benessere personale, l’apprendimento e l’empowerment;

4) partecipazione a varie fasi della ricerca: mentre la maggior parte dei progetti coinvolge i cittadini solo nella raccolta dei dati, il coinvolgimento in più fasi del processo di ricerca può generare senso di appartenenza al progetto e facilitare l’incorporazione delle conoscenze locali nello stesso;

5) feedback ai partecipanti: dare riscontro ai cittadini scienziati è essenziale per incoraggiare una partecipazione continuativa. Questo può essere ottenuto attraverso vari mezzi di comunicazione: è importante per valorizzare i contributi dei partecipanti e mantenere vivo il coinvolgimento;

6) considerazioni sulla qualità dei dati: i dati raccolti dai cittadini sono soggetti a controlli per problemi di qualità. Tuttavia, con controlli adeguati, i dati dei cittadini possono essere affidabili quanto quelli raccolti dai professionisti. In questo caso, sono i responsabili del progetto che devono riferire sulla qualità dei dati per creare fiducia nei potenziali utilizzatori;

7) accesso aperto e condivisione dei dati: la CS promuove l’Open Science rendendo pubblicamente accessibili i dati e i risultati della ricerca. Tuttavia, molti progetti non riescono ancora a condividere apertamente i dati con i partecipanti o con i database esterni a causa della scarsità di risorse;

8) valorizzazione dei citizen scientist: i contributi dei cittadini devono essere riconosciuti nelle pubblicazioni e nei risultati dei progetti. Questo può variare da riconoscimenti individuali a ringraziamenti generici, a seconda della portata del progetto e in base agli accordi presi in fase progettuale e di coinvolgimento;

9) valutazione dei progetti: i progetti devono essere valutati non solo per i risultati scientifici, ma anche per l’impatto sociale, l’esperienza dei partecipanti e l’influenza politica. Questa valutazione è spesso difficilmente raggiungibile, ma è essenziale per identificare e condividere le criticità e benefici;

10) considerazioni legali ed etiche: i progetti devono considerare questioni quali la proprietà intellettuale, la condivisione dei dati, la privacy, il benessere dei partecipanti ecc. Affrontare questi aspetti garantisce che i progetti siano condotti in modo responsabile.

Al momento i Dieci Principi della CS sono utilizzati in un’ampia varietà di contesti, non solo per lo sviluppo e sistematizzazione di best practice, ma anche a fini divulgativi sia per il pubblico che per le istituzioni governative. In sintesi, la CS coinvolge il pubblico nella ricerca scientifica, puntando all’ottenimento di vantaggi reciproci, risultati scientifici robusti e condivisione aperta dei dati. Tuttavia, permangono sfide in termini di inclusività, qualità dei dati e valutazione dei progetti, che richiedono attenzione per produrre un miglioramento continuo.

Grazie al riconoscimento ottenuto da parte di molte istituzioni governative e alla sua adozione in una ampia pluralità di contesti, possiamo affermare che la pratica della CS costituisce un supporto legittimo per l’indagine scientifica e per la formulazione di politiche pubbliche.

Nonostante la crescente importanza, la distribuzione delle attività di CS nel mondo rivela significative disparità regionali dovute ad una molteplicità di fattori storici, culturali, tecnologici ed economici.

Una delle principali determinanti della diffusione geografica delle attività di CS è l’accesso alla tecnologia e alle infrastrutture digitali. I paesi con una penetrazione diffusa di Internet e un facile accesso agli smartphone, sono meglio attrezzati per ospitare e partecipare a progetti di CS. Ad esempio, piattaforme come iNaturalist e Zooniverse3 prosperano in regioni con infrastrutture tecnologiche solide4 (cfr. par. 3.2).

Le disparità economiche pesano ulteriormente sulla distribuzione disomogenea. I progetti di CS spesso richiedono finanziamenti per strumenti, formazione e infrastrutture e i paesi più ricchi tendono a destinare maggiori risorse a questi progetti, grazie al supporto governativo e istituzionale. Ad esempio, la Commissione Europea ha supportato la CS attraverso i programmi Horizon 2020 e Horizon Europe, facilitando numerose iniziative tra gli stati membri dell’UE (Fig. 1.3).

Figura 1.3 – Classifica Scopus dei principali enti finanziatori di prodotti di ricerca inerenti la Citizen Science (2004-2024). Fonte: Elaborazione degli autori su dati Scopus, per numerosità di prodotti della ricerca finanziati (ultimo accesso: 2025-01-10).

Anche il contesto sociopolitico influenza la distribuzione delle attività di CS. La partecipazione aperta alla ricerca scientifica richiede un sostegno governativo e quadri normativi favorevoli. Ad esempio, mentre in Europa sono sorte associazioni come l’ECSA (European Citizen Science Association) per promuovere la partecipazione, in altre regioni con regimi autoritari o politiche di ricerca restrittive non si rilevano organizzazioni simili.

Infine, l’enfasi sull’educazione scientifica e il coinvolgimento pubblico gioca un ruolo cruciale nella diffusione della CS: paesi con tassi più elevati di istruzione e una forte tradizione di partecipazione pubblica alla scienza presentano ecosistemi vivaci di CS. Al contrario, le regioni in cui la scienza è meno integrata nel discorso pubblico o nei sistemi educativi possono registrare una partecipazione limitata.

In Europa, la CS si distingue per una significativa diversità tematica e diffusione geografica, e si concentra soprattutto nei paesi dell’Europa nord-occidentale. In alcuni casi come il Regno Unito, la Germania e i Paesi Bassi la CS vanta una consolidata tradizione di iniziative sostenute da solidi quadri istituzionali e abbondanti finanziamenti pubblici. La creazione di portali nazionali, come Bürger schaffen Wissen5 fondato in Germania nel 2014, riflette la crescente necessità di strumenti centralizzati per migliorare l’accesso ai progetti e facilitare l’integrazione delle pratiche di CS.

Dal punto di vista tematico, progetti incentrati sulla biodiversità, la salute e il monitoraggio ambientale dominano il panorama europeo, in linea con le priorità della Commissione Europea e dei programmi di finanziamento comunitari. L’Europa meridionale e orientale presenta un numero inferiore di progetti di CS, ostacolati spesso da vincoli economici e politici. Nonostante ciò, emergono eccezioni notevoli, come la Spagna, che in tempi recenti ha sviluppato un elevato numero di progetti locali e internazionali. Ad esempio, l’Observatory for CS creato dalla Fondazione Ibercivis6 in collaborazione con la Fondazione Spagnola per la Scienza e la Tecnologia (FECYT) nel 2016, ha l’obiettivo di riconoscere, promuovere e analizzare le iniziative di scienza cittadina in tutto il paese, oltre a pubblicare rapporti annuali che descrivono lo stato della CS nel paese. Particolarmente significativo è il caso dell’Italia, dove nel 2023 è stata fondata l’Associazione Citizen Science Italia (cfr. Museo di Storia Naturale della Maremma. s.d.) nata come iniziativa dal basso, frutto della collaborazione tra scienziati, cittadini e istituzioni. Le prime attività risalgono al 2016, quando un gruppo di esperti e appassionati ha iniziato a collaborare, trovando ispirazione dalla conferenza ECSA di Berlino dello stesso anno, che ha rappresentato un momento chiave per lo sviluppo della rete italiana dedicata alla CS. Un ulteriore impulso è arrivato dal progetto europeo DITOs - Doing It Together Science (per cui si veda CORDIS – EU reserch results 2016), che ha favorito lo scambio di conoscenze e buone pratiche a livello internazionale. Nel 2017, il Museo di Storia Naturale della Maremma7 di Grosseto, da molto tempo attivo in pratiche di CS, ha ospitato la prima conferenza italiana sulla CS, segnando un passaggio fondamentale nella creazione della comunità nazionale di riferimento.

Negli Stati Uniti e in Canada, la CS è profondamente radicata nelle tradizioni di community-based participatory research. Ad esempio, il progetto CitSciStarter (s.d.) e altre agenzie federali come la NASA (s.d.) e l’EPA – US Environmental Protection Agency (2024) hanno sviluppato piattaforme digitali avanzate per massimizzare il coinvolgimento pubblico, semplificando la raccolta e l’analisi dei dati. L’uso esteso di tecnologie digitali e di reti globali rappresentano le principali caratteristiche distintive dei progetti nordamericani.

In Asia, il panorama della CS è meno sviluppato, ma in espansione come dimostra la fondazione della associazione CitizenScience.Asia nel 2022 (cfr. Citizen Science.Asia s.d.). Paesi come il Giappone e la Corea del Sud sfruttano strumenti tecnologici per affrontare sfide specifiche, come la gestione dei disastri naturali e il monitoraggio ambientale. L’Australia (cfr. Australian Citizen Science Association s.d.) e la Nuova Zelanda, invece, vantano una lunga tradizione di progetti legati alla conservazione della biodiversità, spesso in collaborazione con le comunità indigene.

In Africa e America Latina, la CS si confronta con limitazioni infrastrutturali e tecnologiche. Tuttavia, l’importanza di affrontare sfide locali, come la deforestazione e la tutela della biodiversità, ha stimolato lo sviluppo di iniziative mirate. In America Latina, movimenti sociali e ambientalisti sono spesso alla base di progetti di CS, mentre in Africa l’adozione di modelli partecipativi internazionali offre opportunità significative per il progresso scientifico; recentemente, nel 2024, è stata anche creata la CitSci Africa Association (cfr. CitSAf s.d.).

Questa distribuzione ineguale trova conferma nella diffusione geografica della produzione scientifica. Infatti, osservando la collocazione dei prodotti scientifici presenti sul database Scopus8 nel periodo 2004-2024 ottenuta in relazione al paese di affiliazione degli autori, il quadro che si presenta rivela una accentuata concentrazione nell’America settentrionale e nell’Europa occidentale (Fig. 1.4).

Figura 1.4 – La geografia della produzione scientifica sulla CS (2004-2024). Didascalia: la carta illustra la distribuzione per paese di oltre 40mila pubblicazioni presenti nella banca dati Scopus nel periodo 2004-2024 che contengono il termine CS nel titolo o nell’abstract o nelle parole chiave. Fonte: Elaborazione degli autori su dati Scopus (ultimo accesso: 2025-01-10).

Nonostante il potenziale trasformativo della CS, la sua adozione rimane ancora disomogenea. Per colmare queste lacune, sono essenziali le reti collaborative internazionali, le piattaforme condivise e approcci transdisciplinari che garantiscano una maggiore inclusività.

La CS si manifesta attraverso molteplici iniziative che si differenziano per obiettivi, metodologie, livelli di partecipazione, scale di riferimento e campi di applicazione. Un’ulteriore spinta alla diversificazione deriva dalla rapida diffusione di nuove tecnologie digitali sempre più economiche e performanti, come le applicazioni mobili e web, le piattaforme digitali e i Location-Based Service (LBS) (Wiggins e Crowston 2012), ampiamente utilizzati nelle attività di CS. Talvolta confuse con altre forme di attività partecipative caratterizzate dal coinvolgimento pubblico come la ricerca comunitaria o la ricerca-azione, le attività di CS si distinguono per la raccolta dei dati e per il contesto scientifico in cui operano.

Al fine di individuare le tipologie dei progetti di CS occorre basarsi su criteri diversi quali il livello di partecipazione, le azioni intraprese, la governance del progetto o le caratteristiche sociodemografiche dei partecipanti. Molti autori dibattono da tempo sulla possibilità di creare delle classificazioni dei progetti, e in questa sede vengono riportati alcuni tentativi rilevanti.

Nel 2009, Bonney et al. hanno individuato diverse tipologie di progetti in base al grado di partecipazione dei cittadini, individuando:

Le tipologie sopra individuate vengono riprese da Haklay nel 2013 che offre una classificazione tra le più conosciute e citate dalla letteratura sul tema. Haklay distingue quattro tipologie di progetti caratterizzate da livelli di contribuzione e partecipazione crescenti: crowdsourcing, distributed intelligence, participatory science e extreme citizen science. Queste tipologie sono approfondite nel paragrafo 2.5 dedicato al tema della partecipazione.

I progetti di CS possono essere classificati anche in relazione alla tipologia di attività in cui sono coinvolti i partecipanti:

1) progetti di raccolta dati, in cui i partecipanti si occupano della raccolta di dati;

2) progetti di elaborazione e analisi dei dati, che si focalizzano sulla categorizzazione, trascrizione e interpretazione dei dati;

3) progetti in curriculum scolastici, che si svolgono in scuole o strutture educative di altro tipo per giovani;

4) progetti di scienza di comunità, focalizzati sulla risoluzione di un problema di scala locale il cui obiettivo è quello di influenzare le politiche locali (Bonney et al. 2016).

Una diversa classificazione dei progetti di CS si ottiene utilizzando gli obiettivi e il contesto in cui si svolge l’attività (Wiggins e Crowston 2011). Tale classificazione si esplicita in una suddivisione in progetti: 1) di ricerca-azione, 2) di conservazione, 3) virtuali, 4) di investigazione e 5) di educazione. Nella tipologia 1) action project è previsto che i cittadini collaborino allo sviluppo di iniziative locali; nel 2) conservation project l’obiettivo principale riguarda la protezione e la gestione delle risorse naturali; 3) i virtual project raggiungono l’obiettivo scientifico prioritariamente con l’utilizzo di strumenti web (come le piattaforme contributive); 4) gli investigation project sono invece dei progetti che si pongono obiettivi scientifici sviluppati con modalità in presenza; mentre 5) gli educational project hanno scopi educativi (Wiggins e Crowston 2011).

Una diversa classificazione considera il modello di governance e in questo caso si distinguono:

1) progetti contrattuali quando la comunità richiede agli scienziati di investigare uno specifico tema o problema e riportarne i risultati; in questi progetti i cittadini suggeriscono la domanda di ricerca;

2) progetti contributivi, in cui la domanda di ricerca è identificata dagli scienziati e i cittadini contribuiscono raccogliendo dati;

3) progetti collaborativi, elaborati dagli scienziati e a cui i partecipanti contribuiscono raccogliendo e analizzando i dati, definendo protocolli o divulgando i risultati;

4) progetti co-creati, creati insieme dagli scienziati e dai cittadini e in cui almeno una parte dei partecipanti sono coinvolti in tutte (o quasi) le attività del processo scientifico;

5) contributi collegiali, in cui i cittadini portano avanti ricerche indipendenti e ottengono un riconoscimento di vario tipo (anche monetario) da qualche attore istituzionale (Shirk et al. 2012; Ceccaroni et al. 2017).

Altra prospettiva è quella definita in base al coinvolgimento della comunità locale, soprattutto nel campo del monitoraggio ambientale (Danielsen et al. 2009, 33-5). In particolare, si identificano progetti di monitoraggio gestiti in toto dagli scienziati e che non coinvolgono stakeholder locali (externally-driven, professionally executed monitoring project); oppure casi in cui gli attori locali sono coinvolti solo in fase di raccolta dati (externally-driven monitoring project with local data collectors). Quando aumenta il grado di coinvolgimento, la partecipazione degli stakeholder locali si manifesta anche nelle decisioni sulla gestione del progetto (collaborative monitoring project with external data interpretation), fino ad arrivare a un coinvolgimento in tutte le fasi con un supporto degli scienziati limitato a fornire suggerimenti ed erogare formazione (collaborative monitoring project with local data interpretation). Infine, vi sono casi in cui la comunità locale agisce in autonomia senza necessità di alcun supporto esterno (autonomous local monitoring project).

Altre classificazioni assumono come criterio discriminante il ruolo che l’istituzione universitaria (o il centro di ricerca) svolge all’interno del progetto. In un primo gruppo ricadono i progetti in cui le istituzioni svolgono il ruolo di consulenti alla comunità locale (scientific consulting research project); un secondo tipo prevede che un gruppo non strutturato di cittadini assista l’istituzione nella ricerca scientifica (Citizen Science research project); un terzo gruppo è caratterizzato da progetti che possiedono una struttura centralizzata specifica per promuovere e incentivare la partecipazione di cittadini e della comunità locale (adaptive Citizen Science research project); un ulteriore gruppo comprende progetti in cui si assiste alla collaborazione della comunità locale con individui e professionisti per realizzare obiettivi replicabili e adattabili il contesti specifici (adaptive co-management research project); infine, nell’ultimo gruppo ricadono quei progetti in cui la domanda di ricerca muove dalla comunità locale, che lavora con i ricercatori per tutte le attività del progetto, per trovare soluzioni a problemi rilevanti per la comunità coinvolta (participatory action research project) (Cooper et al. 2007, 3).

I progetti possono anche differire per diversi altri aspetti che potenzialmente ne influenzano i risultati, come le caratteristiche socioeconomiche dei cittadini coinvolti, la tipologia di istituzione che finanzia il progetto e la motivazione istituzionale, ma anche per la struttura di supporto e per gli strumenti di comunicazione e di feedback utilizzati. Naturalmente tutte queste variabili possono condizionare enormemente i risultati della ricerca, come anche la quantità e la qualità dei dati prodotti (Kirschke et al. 2022).

Complessivamente, dalla panoramica effettuata si evince che la CS è un approccio che si inserisce nel modello dell’Open Science, (cfr. Scheda 1.2) basato sulla collaborazione tra membri volontari della società civile e scienziati in attività di monitoraggio e di rilevazione in diversi campi del sapere al fine di creare conoscenza e informazioni basate su evidenze scientifiche a supporto degli obiettivi globali e dell’avanzamento del sapere.

Particolarmente rilevante è l’aspetto che riguarda la collaborazione tra mondo della ricerca e società civile attraverso la raccolta di dati da parte di volontari che partecipano alla loro analisi contribuendo al loro utilizzo per la definizione di politiche specifiche (Haklay 2015). Allo stesso tempo, i volontari – generalmente definiti citizen – acquisiscono, in modo accattivante, nuove competenze e una comprensione più profonda del lavoro scientifico (Fig. 1.5).

Ad oggi la CS si è dimostrata in grado di produrre dati affidabili per la ricerca, generare grandi quantità di informazioni in tempi relativamente brevi (Fraisl, See, Campbell et al. 2023), così come di contribuire a identificare tendenze, differenze o somiglianze di indicatori specifici nel tempo e nello spazio. Questo aspetto della produzione di dati e di informazioni, insieme al capacity building, è anche uno dei target dell’Obiettivo di Sviluppo Sostenibile numero 17 dell’Agenda 2030 (United Nations Regional Information Centre s.d.), imperniato appunto sulla necessità di sviluppare nuove fonti di dati e di informazioni per il monitoraggio degli stessi SDG (Sustainable Development Goals) nel contesto di partnership e di reti di scambio di conoscenza. Come risultato di questo scenario aperto, in rete e transdisciplinare, la CS promette dunque di migliorare le interazioni tra scienza, società e politica, portando ad una ricerca più democratica, basata su un processo decisionale attivato dal basso e su evidenze scientifiche.

Figura 1.5 – Rete dei nodi concettuali della CS. Didascalia: la figura descrive la rete delle co-occorrenze delle parole chiave presenti su 1935 pubblicazioni sulla CS consultate nel 2015 e le aree tematiche più significative. Più grande è il nodo, più frequente è la co-occorrenza della parola chiave (grado totale più alto). La figura evidenzia i principali argomenti intorno ai quali si svolge il didattico scientifico: l’approccio della CS, il coinvolgimento degli attori e la produzione volontaria di dati e informazioni. Fonte: Kullenberg e Kaperowski 2016, 9.

Scheda 1.2 Open Science

L’idea di Open Science risale al XVIII secolo, quando durante l’Illuminismo i principi di trasparenza e condivisione della conoscenza iniziarono a diffondersi nella comunità scientifica. Ne fu esempio l’Encyclopédie, ou Dictionnaire raisonné des sciences, des arts et des métiers, par une société de gens de lettres, ad opera di Denise Diderot e Jean Baptiste D’Alembert, che può essere considerata la prima grande iniziativa culturale moderna intrapresa come una grande opera collettiva, alla quale parteciparono numerosi studiosi indipendenti.

L’uso attuale del termine Open Science si è affermato all’inizio del nuovo millennio con l’avvento delle tecnologie digitali e della diffusione di Internet, che hanno reso possibile un accesso più ampio e collaborativo alla conoscenza scientifica.

Alcuni momenti chiave nella storia dell’Open Science furono la Budapest Open Access Initiative (2002) e la Berlin Declaration on Open Access (2003) che affermarono i principi di accesso libero ai risultati della ricerca scientifica. Successivamente governi e istituzioni scientifiche hanno iniziato a sviluppare politiche per favorire la condivisione dei dati e la trasparenza scientifica. Ad esempio, l’Unione Europea ed il National Institutes of Health (NIH) negli Stati Uniti hanno promosso dal 2010 e il 2015 l’Open Science come standard nella ricerca finanziata con fondi pubblici. La Commissione Europea ha iniziato a utilizzare il termine «scienza aperta» a seguito della consultazione pubblica sulla Science 2.0 Science in Transition del 2014 (European Commission 2015). Infine, in tempi più recenti, l’UNESCO e altre organizzazioni internazionali hanno intensificato gli sforzi per promuovere l’Open Science, pervenendo alla “Raccomandazione sulla Scienza Aperta” adottata nel 2021, documento che fornisce un inquadramento e stabilisce delle linee guida per la sua implementazione (UNESCO 2021). La Raccomandazione definisce l’Open Science come un insieme di principi e pratiche finalizzati a rendere la ricerca scientifica accessibile e inclusiva per tutti, promuovendo equità e sostenibilità. L’obiettivo è dunque garantire che la conoscenza scientifica sia accessibile e che il processo di produzione del sapere coinvolga una vasta gamma di attori sociali.

I principali assunti dell’Open Science possono essere riassunti come segue:

La Commissione Europea (2020) ha individuato otto dimensioni, tra cui la CS, attraverso le quali promuovere Open Innovation e Open Science, che riguardano:

Citizen Science

Fonte: Elaborazione degli autori.

La CS, in qualità di pratica partecipativa, si fonda sulla collaborazione tra scienziati e cittadini, e in senso più ampio comprende, ed ha ricadute su, una più ampia varietà di attori e portatori di interessi, generalmente definiti stakeholder (Freeman 1984)1. Questi comprendono membri di diverse comunità, quella scientifica professionale e quella non professionale, la società civile, le istituzioni e tutti coloro che collaborano, interagiscono e/o hanno un qualche interesse nel progetto o che possono esserne influenzati (Annan 2007; Göbel 2017; Leventon et al. 2016; Skarlatidou et al. 2019; Vogler et al. 2017).

Il coinvolgimento di un’ampia platea di stakeholder, dalla società civile al settore privato, dalle istituzioni al settore educativo e ai media, è riconosciuto come un elemento necessario per attivare processi di innovazione sociale capaci di generare effetti sociali, territoriali, ambientali ed economici (Butkeviciene et al. 2021; Tauginiené et al. 2021). Il coinvolgimento attivo degli stakeholder, elemento abilitante di processi di innovazione sociale, è già da tempo riconosciuto nella Politica di Coesione europea2. Questa, secondo un framework di innovative multi-level and multi-stakeholder governance, incoraggia l’adozione di strategie d’innovazione flessibili e dinamiche, che seguano un approccio place-based e coinvolgano una pluralità di attori nel processo innovativo.

In relazione ai temi dell’identificazione e del coinvolgimento degli stakeholder, centrali nel determinare il successo di un progetto di CS (Tiago 2016), il dibattito scientifico si è soffermato a lungo. Alcune ricerche recenti si sono dedicate alla descrizione dei comportamenti e delle azioni svolte dagli stakeholder, per esempio con specifico focus sull’analisi dei livelli di partecipazione (contributivo, collaborativo, co-creativo ecc.) (Haklay 2013) o sulle motivazioni alla partecipazione (Raddick et al. 2009; Tiago et al. 2017). Altri studi hanno adottato un approccio normativo affrontando la legittimità del coinvolgimento e il potenziamento degli stakeholder nei processi decisionali (Schade et al. 2021; Rubio Iglesias et al. 2020); altri ancora hanno perseguito un approccio strumentale finalizzato all’analisi delle modalità di coinvolgimento degli stakeholder (Dickinson et al. 2012a, 2012b), o all’esame di tecniche e metodi per orientarne il comportamento (Newman et al. 2012). Solo un esiguo corpus di studi si è focalizzato sulle interazioni tra gli attori come pratica abilitante per la produzione di conoscenza (Tiago 2016).

Scheda 2.1 Chi sono i citizen scientist?

Le comunità dei citizen scientist includono profili diversi che riassumiamo come segue:

È dunque importante che la mappatura e il coinvolgimento degli stakeholder siano inquadrati sin da subito all’interno della strategia di un progetto di CS (cfr. par 3.1), in quanto lavorare in modo efficace con tutti i possibili portatori di interesse facilita e democratizza la definizione degli obiettivi del progetto, permette l’individuazione e l’implementazione trasparente delle decisioni rilevanti, consente di inquadrare le azioni nel contesto territoriale di riferimento e permette di valutare la fattibilità delle proposte che emergono, in termini di azioni e politiche future (Brugha e Varvasovsky 2000; Skarlatidou et al. 2019).

L’analisi degli stakeholder risalente agli anni ’60 del secolo scorso è diventata popolare inizialmente nell’ambito del non-profit, dell’economia e della comunicazione (Friedman e Miles 2006; Skarlatidou et al. 2019). Successivamente, nell’ambito delle scienze sociali, alcuni autori hanno iniziato a evidenziarne il potenziale per promuovere il coinvolgimento di stakeholder marginali, in modo che anche loro potessero prendere parte attiva e influenzare quei processi decisionali relativi ad azioni, attività o politiche che direttamente o indirettamente avrebbero prodotto effetti per loro rilevanti (Reed et al. 2009; Skarlatidou et al. 2019).

L’analisi degli stakeholder, in linea generale, comprende tre livelli, ovvero la loro mappatura in relazione ai settori di appartenenza, la classificazione in base al ruolo svolto nell’ambito del progetto e infine l’indagine sulle relazioni tra di essi. Nel tempo sono state elaborate diverse modalità di analisi per i livelli sopramenzionati. Di seguito ne vengono riportate alcune a titolo esemplificativo.

Un’utile metodologia di mappatura degli stakeholder – di tipo qualitativo – adottata nelle scienze sociali è stata proposta da Göbel et al. nel 2017. In questo caso si identificano sei gruppi in base a diversi settori di afferenza, ovvero: 1) organizzazioni della società civile, gruppi informali e membri della comunità; 2) organizzazioni accademiche e di ricerca; 3) enti e istituzioni governative; 4) individui volontari; 5) istituzioni scolastiche e 6) imprese e settore privato.

Gli stakeholder di questi gruppi possono offrire numerosi contributi alle iniziative di CS (ad es. tempo, fondi, competenze e attrezzature), ma il ruolo che ciascuno di essi assume non è sempre sovrapponibile: le organizzazioni della società civile, ad esempio, sono generalmente più coinvolte nella progettazione e nell’implementazione dei progetti, mentre le imprese e le attività economiche sono tipicamente meno coinvolte e risultano presenti ed operative in pochi progetti (Skarlatidou et al. 2019).

Göbel et al. (2017) si sono spinti oltre la mera distinzione settoriale, suddividendo ulteriormente gli stakeholder in interni ed esterni al progetto di CS, a seconda che questi siano considerati come parte attiva del team di progetto o come contributori o utenti indipendenti (Göbel et al. 2017, 19). La distribuzione degli stakeholder interni ed esterni varia a seconda del modello di governance del progetto. Ad esempio, in progetti di CS co-creati e collegiali (cfr. par. 1.5), di solito sia il team di progetto che la platea di stakeholder è molto più estesa rispetto ad altre tipologie di governance, ed i diversi stakeholder vengono inclusi nel progetto fin dalle fasi iniziali del processo progettuale e decisionale. Nei progetti contributivi, invece, la maggior parte degli stakeholder sono considerati come soggetti esterni.

Inoltre, una ulteriore specificazione all’interno di questo modello prevede di distinguere gli stakeholder in effettivi e potenziali, dove i primi sono quelli che partecipano attivamente al progetto, mentre i secondi sono coloro che, pur essendo stati individuati, non vengono coinvolti nel progetto ma potenzialmente potrebbero esserlo in un momento successivo (Göbel et al. 2017).

Fonte: Adattato da Göbel et al. 2017, 19.

Altre metodologie elaborano la categorizzazione degli stakeholder facendo ricorso alla combinazione di due fattori: il potere, ovvero la capacità degli stakeholder di influenzare il successo o i risultati del progetto e l’interesse nei confronti degli obiettivi e nelle attività di CS. Questi due fattori costituiscono le dimensioni di una matrice potere/interesse dalla cui combinazione si generano quattro tipologie di stakeholder. La matrice potere/interesse fu introdotta da Mendelow nel 1981 come uno strumento per identificare l’approccio più efficace, per ogni tipologia, ai fini del coinvolgimento degli stakeholder nell’ambito del progetto.

Figura 2.1 – La matrice potere/interesse. Fonte: Adattato da Mendelow 1981.

I quadranti descrivono le seguenti tipologie di stakeholder:

Questo approccio consente di sviluppare strategie mirate per il coinvolgimento di ciascun gruppo di stakeholder. In particolare il gruppo A (alto potere/basso interesse) deve essere attivamente consultato; il gruppo B (alto potere/alto interesse) richiede un impegno rilevante e un costante coinvolgimento in quanto gli stakeholder di questo gruppo possono avere un impatto significativo sui risultati del progetto; il gruppo C (basso potere/basso interesse) necessita di essere tenuto informato per prevenire potenziali problemi derivanti dalla loro mancanza di interesse; infine per il gruppo D (basso potere /alto interesse) l’interesse deve essere mantenuto sempre vivo oltre a garantire un’elevata soddisfazione.

La matrice potere/interesse è stata utilizzata da altri studiosi per elaborare altre tassonomie e catalogazioni. Reed (2009), ad esempio, introducendo il concetto di «influenza» (ossia la capacità di orientare il corso di un progetto), suggerisce quattro categorie generali di stakeholder: 1) gli attori chiave; 2) gli organizzatori di contesto; 3) i soggetti individuali e 4) la crowd (ossia la «folla») (Reed 2009, 1938). Gli attori chiave sono parti interessate che devono essere curate con attenzione perché hanno un interesse e un’influenza elevati (ad esempio, i volontari del progetto). Gli organizzatori di contesto sono attori indipendenti che possono influenzare il contesto entro il quale il progetto opera nonostante non ne abbiano un interesse diretto (ad esempio, il governo locale). Per questo motivo, gli organizzatori di contesto devono essere considerati e monitorati. I soggetti individuali hanno un interesse elevato ma una bassa influenza e, sebbene assumano un ruolo di supporto, non hanno una grande capacità di incidere, anche se possono diventare influenti formando alleanze con altri stakeholder (ad esempio, attività economiche locali). Questi sono spesso gli stakeholder marginali che i progetti di sviluppo cercano di potenziare. La ‘folla’ è costituita da stakeholder che hanno scarso interesse o influenza sui risultati desiderati e non richiedono un impegno specifico (ad esempio, partecipanti occasionali).

L’analisi degli stakeholder svolta con la matrice interesse-influenza di Reed (2009), presenta tuttavia alcuni limiti, come nel caso in cui venga utilizzata per dare priorità agli attori chiave e agli organizzatori di contesto, a discapito dei soggetti e della folla, potenzialmente aggravando le discrepanze esistenti ed emarginando ulteriormente i gruppi che possono essere importanti ma che presentano un’influenza limitata (Reed e Curzon 2015). Inoltre, il modello non coglie alcuni elementi importanti come la natura degli interessi coinvolti, le possibili implicazioni dell’interazione tra gli stakeholder o, ancora, l’eventuale variabilità nel tempo del loro impegno. Per tali ragioni, al fine di perfezionare il metodo, alcuni autori suggeriscono di aggiungere una terza variabile: l’impatto. In questo contesto, per impatto si intende «il beneficio percepibile e dimostrabile per individui, gruppi, organizzazioni e società, che non sarebbe stato possibile senza le nuove conoscenze derivanti dalla ricerca» (Reed et al. 2021, 3).

Ne deriva un modello denominato delle 3i: interesse, influenza, impatto (Reed et al. 2018b). Grazie a questo approccio ogni stakeholder può essere analizzato in funzione del proprio interesse, dell’influenza e/o del suo probabile impatto. In tal modo è possibile, potenzialmente, identificare importanti stakeholder che sono poco interessati e poco influenti, ma che potrebbero comunque avere o subire un impatto significativo (sia in positivo che in negativo) dal progetto (Reed 2022).

Una volta identificati, è rilevante comprendere la tipologia di interazioni e di scambi di conoscenze tra differenti stakeholder. Un approccio innovativo a questa operazione prevede l’utilizzo del cosiddetto modello a Quintupla Elica (Carayannis e Campbell 2010; Carayannis et al. 2012). Questo, nasce come estensione del modello a Tripla Elica proposto da Henry Etzkowitz e Loet Leydesdorff (1995) e del modello a Quadrupla Elica (Carayannis e Campbell 2009), entrambi già ampiamente impiegati in progetti di innovazione sociale proprio per favorire il coinvolgimento della società civile (Lew et al. 2018; Vallance et al. 2020; Passarelli et al. 2019). Il modello a Tripla Elica comprendeva le tre dimensioni (eliche) dell’accademia, delle istituzioni e dell’industria alle quali viene aggiunta, nel modello a Quadrupla Elica, l’elica della società civile, dei media e del settore culturale (Carayannis e Campbell 2009, 218, 206); nel passo successivo il modello viene arricchito con una quinta elica riguardante l’ambiente naturale (Fig. 2.2).

Figura 2.2 – Rappresentazione del modello a Quintupla Elica. Fonte: Carayannis et al. 2012, 2.

La quinta elica introduce l’ambiente naturale come un nuovo sottosistema, in modo che la ‘natura’ si affermi come componente centrale sia della che per la produzione di conoscenza. L’elica dell’ambiente incarna una serie di proprietà oggettive che costituiscono sia aspetti critici da affrontare, sia opportunità da cogliere.

In questa prospettiva teorica, gli stakeholder sono classificati in cinque categorie principali, ognuna delle quali rappresenta una delle eliche e si collega agli specifici ambiti di appartenenza:

L’aspetto innovativo del modello della Quintupla Elica è quello di integrare l’ambiente naturale come un nuovo sottosistema, riconoscendo la ‘natura’ come un elemento centrale nella produzione e nell’innovazione della conoscenza.

Le eliche operano come una rete caratterizzata da scambi tra settori diversi (rappresentati dalle eliche) e basati sulla collaborazione, sulla co-creazione e sul co-sviluppo di un patrimonio condiviso di conoscenze, che viene sistematicamente reinvestito per generare nuova conoscenza (Cuppen 2012; Rodrigues-Ferreira et al. 2023; Jessop 1998).

L’interazione tra le eliche favorisce la creazione di un ambiente creativo fondato su diversi livelli di integrazione:

Il modello sottolinea inoltre l’importanza della conoscenza situata (o place-based), valorizzando le risorse locali come il capitale umano (competenze e conoscenze della popolazione locale) e il capitale naturale (risorse ambientali locali). In questo modo, risponde alla necessità di considerare le conoscenze locali per adattare e contestualizzare interventi globalmente rilevanti, quali le risposte ai cambiamenti climatici, la protezione della qualità ambientale e la tutela della biodiversità (Carayannis e Campbell 2021; Carayannis e Alexander 2006).

La partecipazione è, come abbiamo visto, uno dei pilastri fondamentali della CS. Talvolta, infatti, la CS viene denominata con terminologie che rimandano a questo concetto come ad esempio crowd-science, scienza civica o direttamente scienza partecipata. Ciascuna di queste, ad ogni modo, pone l’accento sul coinvolgimento della società civile e sulla sua partecipazione (Bonney et al. 2009).

In linea generale, il termine «partecipazione» rimanda sia al coinvolgimento del pubblico nelle attività scientifiche sia all’impegno svolto dalla società civile per il progresso scientifico. Quindi il significato della partecipazione si riferisce intrinsecamente alle due letture evidenziate nella definizione stessa di CS (cfr. par. 1.1) che rispettivamente si focalizzano sulla responsabilità dei cittadini come agenti del progresso scientifico e sul loro contributo tramite osservazioni e raccolte di dati all’interno di progetti scientifici (Cooper e Lewenstein 2016).

Nonostante i tentativi proposti per riunire le due prospettive e delineare una CS ‘partecipativa’ e ‘democratica’ (Haklay 2013), il termine partecipazione rimane aperto a molteplici interpretazioni, ed è talvolta soggetto ad usi inappropriati. Ad esempio, le due prospettive sembrano riunirsi nella cosiddetta attività di rilevamento partecipativo (participatory sensing) ma, come hanno osservato Burke et al. (2006, 4), il termine participatory sensing è spesso utilizzato per descrivere attività sulle quali le persone che svolgono le attività hanno un controllo minimo, se non nullo, di fatto diventando semplici soggetti di rilevamento (Nold e Francis 2017). Questo non significa che il rilevamento partecipativo non possa andare oltre la semplice raccolta di informazioni, anzi, l’esempio appena citato mostra che occorre prestare molta attenzione al significato di partecipazione (Haklay 2016).

Date la complessità dei processi inerenti alla partecipazione appare utile ripercorre gli inquadramenti teorici per lo studio degli attori coinvolti in attività e progetti di CS (e delle modalità del loro coinvolgimento), focalizzandosi sia sui fattori che influenzano la partecipazione sia sulle motivazioni dei partecipanti. Questo è il primo passo verso un’analisi complessiva del ruolo che le pratiche di CS rivestono nella società e nella scienza.

Nella letteratura accademica non c’è accordo su cosa si intenda per partecipazione. Si tratta di un concetto ampio, concepito in modi diversi nel tempo e che varia in base ai contesti e alle discipline scientifiche (Claridge 2004). Tra il 1969 e il 2020 sono stati individuati almeno 60 modelli teorici per definire i processi di partecipazione pubblica (Hussey 2000), a partire dalla ‘Scala della partecipazione dei cittadini’ di Arnstein (1969), che rimane un punto di riferimento inaggirabile per analizzare e valutare i diversi gradi di coinvolgimento dei cittadini nei processi decisionali.

Questo rappresenta, infatti, un modello di inquadramento teorico del concetto di partecipazione a cui si fa spesso riferimento nelle scienze sociali e geografiche, frutto di un percorso di studio del coinvolgimento dei cittadini nei processi di pianificazione territoriale negli Stati Uniti. La scala di Arnstein delinea un diagramma che consente di incasellare i diversi livelli di partecipazione dei cittadini nei progetti che li riguardano, e si connota di termini densi di significato per descrivere le potenzialità della partecipazione.

Arnstein inizia la sua analisi con il livello della ‘non partecipazione’, che si riferisce a processi che attribuiscono un ruolo passivo alle persone, con l’intento di ottenere il consenso per scelte e progetti già deliberati da altri. Successivamente si passa al livello della consultazione simbolica (tokenism), che designa interventi orientati alla consultazione e informazione sui progetti e sulle scelte da compiere, ma che non assegna reali poteri ai partecipanti, poiché la fase decisionale resta di esclusiva competenza di coloro che governano tali processi; all’estremità opposta, si raggiunge il livello del ‘potere dei cittadini’, che si riferisce invece al coinvolgimento diretto delle persone nei processi decisionali.

Anche senza entrare nel dettaglio dei singoli livelli, è evidente che la scala di Arnstein offre lo spunto per affermare che il livello della ‘non partecipazione’ dovrebbe essere evitato, mentre il livello in cui si raggiunge il ‘potere’ effettivo dei cittadini si configura come l’obiettivo ideale. Sebbene sia stata messa in discussione nel corso degli anni (si veda Chilvers e Kearnes 2016), la scala di Arnstein costituisce la base sulla quale è stata elaborata da Haklay (2013, 116) la più nota spiegazione e classificazione della partecipazione nell’ambito della CS.

Haklay (2013) sviluppa un modello che identifica quattro livelli di partecipazione e di coinvolgimento: partendo dal basso si ha il livello del crowdsourcing, seguito dalla distributed intelligence, per poi passare ai progetti di participatory science, ed arrivare all’ultimo grado della extreme citizen science (Fig. 2.4).

Il primo livello, quello del crowdsourcing, costituisce il grado più semplice nel quale i partecipanti si limitano a fornire la propria manodopera per la raccolta delle osservazioni e, di conseguenza, il loro impegno cognitivo è ridotto al minimo. Con questo termine si descrive la partecipazione come l’azione che i cittadini compiono per fornire dati e informazioni agli scienziati professionisti, assumendo il ruolo di sensor (Goodchild 2007). Il crowdsourcing, che in genere avviene tramite tecnologie Web (applicazioni mobili, piattaforme ecc.), presenta un vantaggio per gli scienziati che riescono a mantenere il controllo sull’esperimento. Inoltre, gli strumenti utilizzati per la raccolta dati sono definiti in partenza e non variano (Haklay 2013).

Il secondo livello, definito come distributed intelligence, si differenzia dal primo in quanto i partecipanti osservano ed interpretano al tempo stesso le rilevazioni eseguite. In questo caso entrano in gioco le abilità cognitive di ogni partecipante. Un esempio è il progetto Galaxy Zoo4 in cui i partecipanti classificano le galassie e aiutano gli astronomi a comprendere la struttura dell’universo. Solitamente questo grado di partecipazione è riscontrabile in fasi progettuali che utilizzano tecnologie di volunteered computing, ovvero la condivisione della potenza di calcolo inutilizzata dei propri computer o dispositivi elettronici, oppure competenze informatiche per la scrittura di codici o algoritmi, oppure di volunteered thinking. Mentre il volunteered computing richiede poco impegno ai partecipanti, a parte l’installazione di software sui loro computer, nel volunteered thinking i volontari sono impegnati a un livello più attivo e cognitivo (Grey 2009). Per questa tipologia di partecipazione è spesso necessario un periodo di training specifico, prima di poter passare alla raccolta dati o allo svolgimento di altre attività.

Il terzo livello è quello della participatory science. La partecipazione qui assume una dimensione più articolata ed il rapporto tra partecipanti e professionisti si intensifica in quanto i cittadini interagiscono con esperti e scienziati sia per definire l’argomento principale del progetto, sia durante la fase di raccolta e interpretazione dei dati. In alcuni casi i partecipanti, tramite il coinvolgimento nelle attività del progetto, diventano così esperti nella raccolta e nell’analisi dei dati che sono in grado di suggerire nuove domande di ricerca e/o proporre nuovi sviluppi progettuali.

L’ultimo livello è identificato da Haklay come extreme citizen science, in cui i partecipanti che prendono parte ad un progetto vengono coinvolti in tutte le fasi dello stesso, compresi i processi di definizione della domanda di ricerca, di proposta e identificazione di possibili interventi di policy, diffusione dei risultati ecc. Nella extreme citizen science, i partecipanti sono messi sullo stesso piano degli scienziati, e agli scienziati è in qualche modo richiesto di divenire essi stessi citizen scientist, come sottolineato da Irwin (1995), Wilsdon, Wynne, e Stilgoe (2005) e Stilgoe (2014).

Come per la scala di Arnstein, la partecipazione deve essere valutata su più livelli, dal contributo occasionale all’impegno profondo nella definizione dei progetti di ricerca e nella loro realizzazione dall’inizio alla fine. Persone diverse, con storie di vita, interessi e responsabilità differenti, devono avere l’opportunità di impegnarsi a diversi livelli di partecipazione nella CS. I progetti dovrebbero anche facilitare l’opportunità di passare da un livello di impegno all’altro, in base a disponibilità ed aspirazioni dei partecipanti.

Tuttavia, la scala di Arnstein evidenzia un aspetto importante: il punto centrale della sua argomentazione riguarda il controllo e il potere, e la CS può generare situazioni in cui il lavoro e l’impegno dei partecipanti vengono sfruttati, oppure contesti in cui i progetti sono concepiti senza offrire loro l’opportunità di dedicare maggiore impegno al progetto, anche qualora desiderassero farlo. Al riguardo, gli enunciati n. 4 e n. 8 dei Dieci principi della CS affrontano proprio queste sfide dichiarando rispettivamente che «Le persone coinvolte in progetti di CS possono, se vogliono, prendere parte a più fasi del progetto scientifico» e «Il contributo delle persone coinvolte in progetti di CS viene riconosciuto ufficialmente nei risultati dei progetti e nelle pubblicazioni» (cfr. par. 1.3).

Dal punto di vista politico, l’analisi della partecipazione rivela opportunità diverse per ogni tipo di attività di CS: dalla valorizzazione delle conoscenze di membri più istruiti, all’apertura di nuovi canali di accesso alla cultura scientifica e tecnologica per persone con un’istruzione limitata e poco tempo a disposizione. È quindi importante sostenere un’ampia gamma di attività nell’ambito della CS per garantire diversità, equità ed inclusione (cfr. par. 5.6).

La CS, in linea di principio, offre molte opportunità sia per affrontare disuguaglianze di accesso alla produzione della conoscenza sia per ampliare le potenzialità della scienza nell’affrontare questioni complesse come, ad esempio, quelle ambientali. È ormai orientamento condiviso che il coinvolgimento di comunità diverse, l’attenzione a questioni di interesse per gruppi emarginati, la raccolta di dati su scale geografiche che travalicano la dimensione locale e che si protraggono per lunghi periodi di tempo, possano apportare nuove e significative prospettive nei processi di produzione di conoscenza. Tuttavia, la CS non sempre riesce a raggiungere gli obiettivi di equità e inclusione che le vengono attribuiti e riconosciuti, soprattutto nel reclutamento di comunità variegate dal punto di vista sociale, economico e culturale. Pertanto, se da un lato la CS può contribuire alla produzione di conoscenza e a rafforzare il ruolo della scienza (e della fiducia che le persone hanno in essa), dall’altro potrebbe esacerbare talune disuguaglianze di accesso, produzione e utilizzo delle conoscenze scientifiche.

Con riferimento alla partecipazione, occorre osservare che quest’ultima non è modellata soltanto dalla tipologia del progetto ma anche da fattori socio-economici di contesto che possono influire direttamente sul coinvolgimento dei cittadini. In particolare, tre fattori significativi sono: il livello di istruzione, le disuguaglianze in termini di tempo e impegno dedicato e le competenze di chi partecipa alle attività di CS.

La partecipazione è strettamente legata alle motivazioni dei volontari nei progetti di CS, per cui la comprensione e l’analisi di tali aspetti sono essenziali per facilitare sia il reclutamento che il continuato coinvolgimento dei volontari per tutta la durata del progetto (West e Pateman 2016). Infatti, per ottenere i risultati sperati e per sfruttare a pieno i vantaggi dell’approccio partecipativo, occorre che la progettazione e la realizzazione delle attività di CS siano sviluppate tenendo conto delle motivazioni dei volontari (Geoghegan et al. 2016; Van Den Berg et al. 2009; Wright et al. 2015).

Le motivazioni sono le ragioni soggettive che le persone adducono per i loro comportamenti, e possono variare anche laddove queste ricoprono ruoli analoghi nei contesti di applicazione. La letteratura sul tema individua molte tipologie di motivazioni che spiegano le ragioni della partecipazione alle iniziative di CS (Land-Zandstra et al. 2016; Aoki et al. 2017): divertimento personale, desiderio di miglioramento o di realizzazione, creazione di relazioni personali, cura dell’ambiente, voglia di vivere un’esperienza all’aperto, o una particolare connessione personale ai temi del progetto (ad esempio, soggetti con problemi di salute che partecipano in ricerche a tema sanitario) (Novak et al. 2018, 126-30). Studiare le motivazioni e indagare i fattori che influenzano la partecipazione delle persone ai progetti di CS è quindi un aspetto essenziale nell’analisi delle comunità di volontari.

Tra le teorie utilizzate nell’analisi delle motivazioni, il modello più diffuso è l’approccio funzionale, sviluppato nel campo della psicologia. Secondo tale approccio, si identificano sei categorie di motivazioni, chiamate Volunteer Functions Inventory (VFI), ossia: valori, comprensione, valorizzazione, carriera, socialità e protezione (Tab. 2.3).

Volunteer Functions Inventory

Fonte: Elaborazione degli autori.

Sebbene il VFI sia stato criticato – ad esempio, Shye (2010) sostiene che le categorie non sono né esaustive né esclusive e non è chiaro come siano interrelate – si tratta di un modello molto utilizzato, tanto nei campi del volontariato ambientale quanto in quello della CS.

Tra le altre teorie utilizzate nell’analisi delle motivazioni, la Teoria dell’Autodeterminazione (Self-Determination Theory, SDT; Deci e Ryan 2008) viene talvolta applicata per comprendere i diversi fattori che motivano le persone a impegnarsi in attività di volontariato. Questa teoria sostiene che gli individui hanno bisogni psicologici fondamentali, per esempio hanno necessità di sentirsi competenti, autonomi e connessi agli altri (Deci e Ryan 2008). Le applicazioni della SDT suggeriscono che la CS è un’attività che può aiutare i volontari a raggiungere tutti questi obiettivi (Nov et al. 2014; Tiago et al. 2017).

Nel contesto della SDT, le motivazioni possono essere classificate come intrinseche o estrinseche (Ryan e Deci 2000). Le persone intrinsecamente motivate si impegnano in un’attività per interesse o piacere personale e per il bene dell’attività stessa; le persone estrinsecamente motivate si impegnano in un’attività sulla base di incentivi, ricompense percepite, risultati desiderabili e altri fattori che stimolano l’interesse (Deci e Ryan 1985, 2008; Vallerand 2000).

Nella maggior parte dei casi, più motivazioni interagiscono simultaneamente (Curtis 2018; Domroese e Johnson 2017; Geoghegan et al. 2016; Raddick et al. 2013; Tiago et al. 2017). Ad esempio, una persona potrebbe partecipare a un progetto perché si diverte a svolgere l’attività ed è direttamente interessata all’argomento (motivazioni intrinseche), ma allo stesso tempo intende sostenere la ricerca ambientale o migliorare le proprie competenze da applicare eventualmente in altri contesti (motivazioni estrinseche).

Una diversa tipologia di motivazioni viene proposta, sempre nell’ambito della psicologia sociale, da Batson, Ahmad e Tsang (2003) che individuano quattro livelli per comprendere le ragioni della partecipazione. In questo quadro, come illustrato nella Fig. 2.6, la costruzione motivazionale intrinseca include l’egoismo, ovvero il desiderio di aumentare il proprio benessere, la propria carriera, la volontà di imparare, incontrare gente ecc. Le spinte motivazionali intrinseche, invece, includono 1) l’altruismo, ovvero l’aumento del benessere degli altri; 2) il collettivismo, cioè l’interesse per il bene del proprio gruppo, e 3) il principialismo, ossia un approccio etico che si basa su principi fondamentali quali beneficenza, autonomia e giustizia.

Queste categorie trovano particolare riscontro nelle attività di volontariato ambientale come documentato da uno studio di Bruyere e Rappe (2007) dove si dimostra che il principialismo e l’altruismo sono le più importanti motivazioni riscontrate nei casi di attività legate a tematiche ambientali. Altre ricerche suggeriscono, invece, che per alcuni individui i benefici personali e sociali sono più importanti delle ragioni del volontariato ambientale (Asah e Blahna 2012).

Molti volontari della CS riferiscono una gamma simile di motivazioni. Nei progetti di CS online, le motivazioni dominanti spesso includono l’interesse personale per la scienza, il contributo alla ricerca scientifica e le motivazioni collettive come il sentirsi parte di un gruppo (Curtis 2015; Jennett et al. 2016; Nov et al. 2014; Raddick et al. 2013; Rotman et al. 2012) (Fig. 2.7). Anche nei progetti orientati al monitoraggio ambientale e alla conservazione, l’interesse personale e il contributo alla scienza sono emersi come aspetti chiave (Domroese e Johnson 2017; Geoghegan et al. 2016; Phillips et al. 2019; Tiago et al. 2017).

Figura 2.6 – Le categorie delle motivazioni. Fonte: Adattata da West et al. 2021, 3.

È dimostrato che le motivazioni possono variare con il passare del tempo e con l’intensificarsi dell’impegno (Clary e Snyder 1999; Ryan et al. 2001): gli studi sui citizen scientist coinvolti in progetti online indicano che le motivazioni iniziali ruotano per lo più intorno all’interesse personale per l’argomento o per la scienza, per poi, col progredire delle attività, essere affiancate da motivazioni collettiviste e più orientate al sociale (Curtis 2015; Nov et al. 2014; Rotman et al. 2014). Come osservano Rotman e colleghi (Rotman et al. 2012, Rotman et al. 2014), i volontari potrebbero aver bisogno di andare oltre il ‘sé’ per sostenere e rinnovare nel tempo il proprio desiderio di partecipazione.

Le motivazioni possono variare anche tra gruppi di volontari diversi dal punto di vista sociodemografico. Alcune ricerche suggeriscono che le persone con un livello di istruzione più elevato si impegnano in attività di volontariato più complesse per motivazioni estrinseche (Mesch et al. 2006). Con riferimento all’età, i più giovani sono spinti dal desiderio di ampliare le proprie competenze, di creare reti utili per la propria carriera, mentre i più anziani sembrano essere più interessati a compiere attività altruistiche come la condivisione di informazioni e l’insegnamento ad altri (Asah et al. 2014; Clary e Snyder 1999). Tuttavia, si sa relativamente poco sull’influenza delle differenze demografiche nelle motivazioni dei volontari della CS, e molti studi sono stati condotti su campioni ridotti producendo risultati parziali o non indicativi (Geoghegan et al. 2016; Tiago et al. 2017).

Figura 2.7 – Le principali motivazioni alla partecipazione. Didascalia: i dati si riferiscono ai risultati di una indagine strutturata della durata di due settimane, effettuata su un campione di oltre 8.000 individui partecipanti a progetti di CS in campo ambientale nel Regno Unito. Fonte: Adattata da West et al. 2021, 8.

Figura 2.3 – La scala della partecipazione di Arnstein. Fonte: Arnstein 1969, 217

Figura 2.4 – Livelli di partecipazione nella Citizen Science di Haklay. Fonte: Haklay 2013, 11.

Un progetto di CS si articola in una serie di fasi, assimilabili a quelle di un progetto di ricerca tradizionale, che vanno dall’inquadramento della domanda di ricerca e della metodologia di indagine, alla raccolta di materiali, dati e informazioni, fino all’analisi dei risultati e alla loro disseminazione (Fig. 3.1).

L’ideazione di una iniziativa di CS si struttura in tre macro-fasi:

1) inquadramento del problema: prevede il design del progetto, la mappatura e identificazione degli stakeholder e la considerazione degli aspetti etici. Questa fase getta le basi del progetto, delineandone gli obiettivi e il coinvolgimento delle parti interessate;

2) sviluppo della ricerca: include la definizione della domanda di ricerca con la progettazione delle attività, lo sviluppo degli strumenti di raccolta dati e la raccolta stessa, la predisposizione e l’analisi dei dati, la condivisione e diffusione dei risultati, la valutazione dell’impatto delle attività svolte;

3) valore aggiunto: considera l’importanza della sostenibilità e delle politiche ispirate dai risultati del progetto. I risultati, infatti, non si limitano a fornire risposte scientifiche, ma ambiscono ad influenzare decisioni politiche e generare benefici di lungo termine.

Figura 3.1 – Macro-fasi di un progetto di Citizen Science. Fonte: Elaborazione degli autori su ACTION Project (Thuermer et al. 2022, 10-2).

L’elemento centrale di questo processo è rappresentato dal coinvolgimento dei cittadini e degli stakeholder, che agiscono come motore per tutte le altre attività. Il ciclo è iterativo e flessibile, sottolineando come ogni fase possa interagire con le altre, garantendo un processo dinamico (Fig. 3.1).

Di seguito, verranno analizzate dettagliatamente le fasi operative per la realizzazione di un progetto, dalla definizione della domanda di ricerca alla condivisione dei risultati (Fig. 3.2). Per quanto attiene l’ultimo step, relativo agli interventi di policy, si rimanda al capitolo sei.

Figura 3.2 – Fasi operative del progetto di Citizen Science. Fonte: Elaborazione degli autori.

Tra gli strumenti ai quali la CS fa ricorso per lo sviluppo dei propri progetti e attività, si distinguono le piattaforme digitali, ovvero infrastrutture alimentate dai dati, organizzate da algoritmi e interfacce, formalizzate attraverso relazioni di proprietà e regolate da accordi con gli utenti (Van Dijk, Poell, e de Waal 2018). Le piattaforme sono ormai un tratto distintivo della nostra società e pervadono la nostra vita e le nostre pratiche quotidiane, dal divertimento alla mobilità, dallo shopping alle transazioni finanziarie, all’ambito scientifico.

Nel caso specifico, le piattaforme di CS costituiscono delle vere e proprie interfacce tra scienza e società. Esse mediano la collaborazione tra scienziati e cittadini attraverso funzionalità dedicate, nella maggior parte dei casi, a tutte le fasi del progetto dal training dei partecipanti, alla raccolta dati, alla visualizzazione e alla diffusione dei risultati (Liu et al. 2021). L’elevata partecipazione è il pilastro fondamentale delle piattaforme che sfruttano la loro pervasività e accessibilità per costruire una vasta massa critica di utenti, sia dal punto di vista del numero che della distruzione geografica.

Le piattaforme di CS consentono di ampliare la portata dei progetti integrando la partecipazione locale con il livello globale e generando dati in grandi quantità, cosa che sarebbe difficile raggiungere con progetti gestiti esclusivamente a scala locale. Per questo scopo le piattaforme di CS mirano ad essere accessibili e progettate per essere facilmente fruibili, con interfacce intuitive che agevolano l’utilizzo da parte di persone con diverse competenze digitali.

Le piattaforme funzionano anche da aggregatori sociali creando delle vere e proprie ‘comunità virtuali’, ovvero gruppi di soggetti che condividono interessi e passioni e che, tramite la piattaforma interagiscono, si confrontano e scambiano competenze ed esperienze. Ad esempio, la piattaforma FreshWater Watch per creare un senso di appartenenza tra i propri utenti, denomina la propria comunità di partecipanti come FreshWater Watcher.

Nella maggior parte dei casi, le piattaforme di CS sono gratuite per gli utenti. Solo in alcuni casi e/o per servizi avanzati è richiesto un pagamento, ad esempio per scaricare la banca dati o per funzioni di analisi specifiche come foto e video.

Esistono diverse tipologie di piattaforme, da quelle tematiche riferite ad ambiti di monitoraggio specifici come la biodiversità, la ricognizione di specie vegetali e animali, la qualità dell’acqua (ad esempio eBird, MosquitoAlert, FreshWater Watch), a quelle legate a progetti di volunteer thinking (ad esempio Galaxy Zoo), fino a piattaforme che funzionano da collettori di progetti di CS (ad esempio Zooniverse), talvolta dedicate alla promozione della CS in ambiti nazionali come la mit:forschen! Gemeinsam Wissen schaffen tedesca, o sovranazionali come l’European Citizen Science Platform in Europa e la SciStarter americana.

Le piattaforme di CS possono essere classificate anche in base alle modalità di contribuzione, con differenze significative nel grado di coinvolgimento, nelle competenze richieste e nei tipi di contributo. Questa classificazione facilita la comprensione dei diversi ruoli che i cittadini possono assumere nei progetti e aiuta a scegliere la piattaforma più adatta in base al tipo di contributo richiesto. La tabella 3.2 propone una classificazione delle tipologie prevalenti.

Fonte: Elaborazione degli autori.

Tra le moltissime piattaforme sviluppate nell’ambito della CS, offriamo tre esempi: FreshWater Watch, Ushaidi e OpenStreetMap.

A partire dall’inizio del nuovo secolo, con l’avvento del Web 2.0, si avvia una trasformazione fondamentale: i siti web e le piattaforme digitali sono diventati interattivi, consentendo agli utenti di generare, condividere e modificare i contenuti in tempo reale. I pionieri del Web 2.0, come il sito di photosharing Flickr fondato nel 2004, MySpace, uno dei primi social network lanciato nel 2003 e Wikipedia creata nel 2001, hanno permesso agli utenti di contribuire con foto, profili personali, testi e così via. Successivamente, le piattaforme di social media, in particolare Facebook, YouTube e Twitter, sono diventate dei collettori di grandi quantità di contenuti generati dagli utenti, tanto che molte aziende li hanno analizzati e utilizzati per adeguare e personalizzare i propri prodotti o servizi, oltre che per affinare le proprie strategie pubblicitarie e commerciali.

Dal punto di vista tecnologico, lo sviluppo delle tecnologie del Web, le diffuse possibilità di creare contenuti online, la proliferazione di sensori e dispositivi mobili in grado di registrare la posizione di elementi e il libero accesso alle immagini satellitari e alle mappe online, hanno profondamente modificato le modalità di accesso, produzione, diffusione e rappresentazione dell’informazione geografica decretando «un momento senza precedenti nella storia dell’umanità» in cui è possibile «sapere dove si trova quasi tutto, in ogni momento» (Sui e Delyser 2012, 113).

Le grandi quantità di dati generati dagli utenti sono diventate dunque una risorsa strategica e hanno preso il nome di ‘big data’ in funzione del loro volume, varietà e velocità (Laney 2001). Questo genere di dati contribuisce oggi a perfezionare gli algoritmi delle piattaforme digitali, a migliorare la qualità dei servizi offerti online e supportare il processo decisionale in innumerevoli settori, dalle raccomandazioni personalizzate ai sistemi di intelligenza artificiale.

I dati generati dagli utenti emergono dall’interazione tra utenti e infrastrutture digitali e sono alimentati dalla cultura collaborativa e partecipativa che contraddistingue l’Internet moderno. Questa svolta culturale è descrivibile usando concetti come quello reso celebre dal filosofo francese Pierre Levy (1994) di «intelligenza collettiva»: intelligenza non meramente individuale, ma posta al di sopra del singolo, che «cerca di articolare in modo nuovo i domini individuali e collettivi in un nuovo spazio di conoscenza». Questo concetto è stato discusso anche da Manuel Castells (2008), il quale ha spiegato che l’era dell’informazione si contraddistingue per una crescente tensione tra individualismo e comunitarismo, ovvero tra la possibilità che gli individui hanno di accedere a molteplici fonti di informazione e creare reti personali di significato e il tentativo di ristabilire significati condivisi di comunità al fine di proteggere la propria identità in un mondo sempre più globalizzato.

L’approccio partecipativo e collaborativo sta emergendo nella società contemporanea perché, come spiega Jeremy Rifkin

In questo contesto è emerso il fenomeno del crowdsourcing, definito dal giornalista Jeff Howe (2008, 401-8) come il processo attraverso il quale il potere di molti può essere sfruttato per compiere imprese che un tempo erano appannaggio di pochi specialisti. Questo fenomeno si è sviluppato parallelamente all’affermazione della cosiddetta sharing economy, un sistema socioeconomico costruito sulla condivisione di competenze, di beni e servizi, sorretto anche da un crescente senso di urgenza in merito all’esaurimento delle risorse e alla protezione dei beni comuni; contestualmente il movimento open source si prefigge – almeno in teoria – di consentire a qualsiasi utente di partecipare alla società dell’informazione condividendo know-how e competenze attraverso strumenti e applicazioni del Web.

Le trasformazioni avvenute recentemente riguardano anche la produzione di informazione geografica: i cittadini stanno diventando sempre più un’importante fonte di informazioni, entrando talvolta in domini che fino a poco tempo fa erano appannaggio esclusivo di enti e istituzioni riconosciute a livello nazionale o internazionale, tanto che alcuni sostengono addirittura che i dati geografici forniti dai cittadini rappresentano un nuovo paradigma per la ricerca socio-spaziale (Jiang e Thill 2015).

Scheda 4.1 Intelligenza collettiva e intelligenza connettiva

A metà degli anni ’90 del secolo scorso, prende piede nel dibattito pubblico il concetto di intelligenza collettiva grazie all’opera del filosofo francese Pierre Lévy. Il suo ‘presupposto basilare’ è senz’altro definito dall’emersione e diffusione delle nuove tecnologie di comunicazione come Internet, che per la prima volta permette che

il trattamento dell’informazione sia distribuito ovunque e ovunque coordinato, e non sia più prerogativa di organi sociali separati, ma si integri in maniera naturale nella totalità delle attività umane, in modo da tornare nelle mani di ognuno (1994, 20-1).

Se è indubbio che la costituzione di un nuovo spazio della comunicazione – il cyberspazio di Internet – sia stato determinante nella diffusione del concetto di intelligenza collettiva, è allo stesso tempo opportuno notare che quest’idea ha a sua volta una sua storia lunga e articolata, che si dipana nello sviluppo otto e novecentesco delle scienze umane e sociali.

Se ad esempio, in ambito psicologico Jung (1912) aveva avuto modo di parlare di un inconscio collettivo, opposto all’inconscio individuale freudiano e popolato dagli archetipi – forme e funzioni psichiche comuni a tutta l’umanità –, in modo non dissimile Durkheim aveva già introdotto nel campo delle scienze sociali la nozione di «coscienza collettiva», definita come «l’insieme delle credenze e dei sentimenti comuni alla media dei membri d’una medesima società», organizzata in un «sistema determinato che ha una sua propria vita» (1893, 46) indipendente dal singolo e dalla sua coscienza individuale. Si trattava dunque, per Durkheim, di un sistema di rappresentazioni dotato di proprietà emergenti, che non corrispondono, cioè, alla semplice somma delle singole rappresentazioni individuali. Ed è proprio la condivisione di queste rappresentazioni, il loro essere ritualizzate, attualizzate in norme e tramandate attraverso le generazioni, a far sì che queste assumano una valenza normativa e coercitiva.

Per ritrovare però delle teorizzazioni che più propriamente possiamo considerare precorritrici dell’intelligenza collettiva così come intesa da Lévy, dobbiamo rivolgerci al concetto di general intellect elaborato da Marx nei Lineamenti fondamentali della critica dell’economia politica, noti anche come Grundrisse (1939). Per il filosofo tedesco, infatti, con lo sviluppo della tecnica e delle forze produttive

il sapere sociale generale, knowledge, è diventato forza produttiva immediata, e quindi le condizioni del processo vitale stesso sono passate sotto il controllo del general intellect, e rimodellate in conformità a esso (Marx 1939, 487).

Nella prospettiva di Marx, lo sviluppo delle forze produttive sedimenta nel capitale fisso (costituito da edifici, impianti, macchinari) parte dell’energia umana, conoscenze comprese, al punto che le macchine stesse possono essere intese come espressioni concrete «della volontà dell’uomo sulla natura o del suo operare in essa», veri e propri nuovi «organi dell’intelligenza umana creati dalla mano umana; potenza materializzata del sapere» (Marx 1939, 487).

In ragione di ciò, il general intellect si presenta come una forza produttiva collettiva, che non è posseduta dai singoli individui ma è invece distribuita a livello sociale, modellata sul sapere e sulle conoscenze collettive accumulate nel corso dello sviluppo delle forze produttive. Il sapere sociale generale, che si concretizza nelle tecnologie, nelle scienze, nelle capacità organizzative e nei sistemi di macchine, diventa dunque una risorsa fondamentale per il processo di produzione capitalistica. Questo concetto di intelletto generale fa insomma riferimento al complesso delle capacità intellettuali e tecniche accumulate dalla società e concretizzate nelle tecnologie, nelle scienze e nelle capacità organizzative, che aumentano la produttività e modificano le relazioni sociali ed economiche.

Anche il concetto di intelligenza collettiva di Lévy è legato alla centralità della conoscenza condivisa nel processo produttivo e sociale, ma si inserisce ovviamente in un contesto storico e teorico diverso, definito dall’avvento della società dell’informazione e delle reti. L’intelligenza collettiva, secondo Lévy, emerge dalla connessione tra individui, dalle interazioni sociali e dalle informazioni condivise in una comunità. In un mondo iperconnesso, l’intelligenza collettiva non è solo la somma delle conoscenze individuali, ma un processo dinamico e cooperativo che si sviluppa attraverso tecnologie come Internet, e che costituisce ormai

la principale ricchezza dell’umanità perché permette alle persone di unire le loro forze intellettuali, le loro conoscenze, in modo spontaneo, senza che nessuna società e nessun governo tiri le fila (Sirimarco 2007, 276).

Vediamo dunque come Lévy stesso ne definisce i contorni. Per il filosofo francese l’intelligenza collettiva «è un’intelligenza distribuita ovunque, continuamente valorizzata, coordinata in tempo reale, che porta a una mobilitazione effettiva delle competenze» (Lévy 1994, 34). Ognuno di questi elementi ha per Lévy una pregnanza irriducibile nella definizione di intelligenza collettiva. In primo luogo, la sua distribuzione è «l’assioma di partenza», poiché «nessuno sa tutto, ognuno sa qualcosa, la totalità del sapere risiede nell’umanità» (Lévy 1994, 34); inoltre, la sua valorizzazione continua è tanto un’ulteriore specificazione quanto un affermazione programmatica, un «necessario passare dalla constatazione al progetto», poiché se l’intelligenza collettiva si crea e ricrea costantemente nella condivisione (vita sociale), questa al contempo va emancipata dalle strutture sociali che ne impediscono il pieno dispiegamento, «dalla pagella scolastica ai livelli di qualifica nelle industrie, dai modi arcaici di gestione all’esclusione sociale tramite la disoccupazione» che alludono piuttosto «a una vera e propria organizzazione dell’ignoranza a scapito dell’intelligenza delle persone» (Lévy 1994, 34-5); il terzo elemento riguarda il coordinamento in tempo reale, permesso dalle tecnologie digitali di comunicazione e informazione, che va a definire un nuovo territorio, il cyberspazio, inteso come «lo spazio mutevole delle interazioni tra le diverse competenze dei collettivi intelligenti deterritorializzati» (Lévy 1994, 35), uno spazio globale «nel quale ciascun elemento d’informazione si trova virtualmente in contatto con qualunque altro e con tutto l’insieme» (Lévy 1994, 14); infine, la questione della mobilitazione effettiva delle competenze implica un’importante «dimensione etico-politica» della costruzione concettuale di Lévy, poiché «nell’era della conoscenza non riconoscere l’altro nella sua intelligenza, significa negargli la sua reale identità sociale» (Lévy 1994, 35).

In sintesi, «l’ideale dell’intelligenza collettiva implica la valorizzazione tecnica, economica, giuridica e umana di un’intelligenza distribuita ovunque, al fine di innescare una dinamica positiva» (Lévy 1994, 35-6) traducibile in un progetto collettivo di nuovo umanesimo, capace di aprire a nuove forme di democrazia distribuita e in tempo reale (Lévy 1994, 74-5). Si tratta insomma di una concezione in definitiva ottimistica delle potenzialità delle nuove tecnologie di comunicazione informatica, che consentirebbero «una democratizzazione del sapere finalizzata alla costruzione di progetti etici per lo sviluppo del mondo» (Milani 2023, 22). Lévy ne sottolinea infatti l’aspetto democratico e orizzontale, per il quale le informazioni non sono più centralizzate o gerarchiche, ma distribuite attraverso una rete di persone e risorse, così che la conoscenza collettiva possa diventare una risorsa condivisa e accessibile, con un potenziale di trasformazione sociale e culturale.

Sulla scia del lavoro di Lévy si colloca il concetto di intelligenza connettiva elaborato in modo parzialmente indipendente da Derrick de Kerckhove tra la fine degli anni ’90 del secolo scorso e l’inizio dei 2000. In particolare, de Kerckhove enfatizza l’interazione tra cognizione umana e tecnologia, suggerendo che, nell’era digitale, la conoscenza non è più solo un insieme di dati e informazioni accessibili, ma un processo dinamico che emerge grazie alla connettività tra individui e tecnologie. In questo contesto, il computer – connesso alla rete globale – diventa una vera e propria «psico-tecnologia, ossia un’estensione del nostro pensiero che si esterna attraverso il linguaggio, estensione della nostra mente» (de Kerckhove 2001, 102), permettendoci di pensare attraverso le tecnologie. L’intelligenza connettiva, concepita da de Kerckhove stesso come una «sotto-categoria dell’intelligenza collettiva» (2014, 1), differisce da quest’ultima in quanto non si limita a registrare la dimensione sovra-individuale del sapere sociale generale, ma lo traduce in concrete sperimentazioni pratiche su problemi specifici attraverso la puntuale connessione tra reti di individui, divenendo una sorta di particolare espressione in atto di quello che l’intelligenza collettiva rappresenta in potenza. De Kerckhove considera infatti l’intelligenza connettiva come una forma di organizzazione all’interno dell’intelligenza collettiva, la sua parte ‘pratica’.

L’intelligenza connettiva è dunque un processo cognitivo potenziato dalla tecnologia, in cui la connessione diventa l’infrastruttura che permette di collegare idee, esperienze e competenze in tempo reale. Non si tratta, cioè solo di un corpus di conoscenza distribuita, ma di una forma di intelligenza che emerge proprio dal nostro rapporto con la tecnologia e le reti globali. È infatti grazie all’avvento di Internet – «il primo medium che è allo stesso tempo orale e scritto, privato e pubblico, individuale e collettivo» – che è possibile realizzare concretamente «la connessione fra mente pubblica e privata […] per il tramite delle reti aperte e interconnesse del pianeta» (de Kerckhove 1997, 188).

Un esempio su tutti di queste possibilità produttive rinvenibili all’intersezione tra tecnologie e cooperazione sociale è senza dubbio rappresentato da Wikipedia. La famosissima enciclopedia collaborativa, infatti, è un sistema in cui la connessione tra individui e tecnologie digitali dà vita a una forma di conoscenza collettiva dinamica che potenzia e modifica la cognizione individuale e collettiva: la piattaforma agisce come una rete che collega le menti di utenti provenienti da tutto il mondo, amplificando il processo di produzione e scambio di conoscenza. Questa conoscenza distribuita funge al tempo stesso da memoria esterna e strumento cognitivo, in cui gli individui non solo accedono a delle informazioni, ma contribuiscono attivamente a costruirle. Come ha sottolineato lo stesso de Kerckhove, questo esempio è molto pertinente per descrivere la condizione attuale della produzione di conoscenza, perché se

il web in generale è collettivo, la costruzione del sapere è connettiva. Wikipedia si rivolge a tutta la collettività e dà forma ad una conoscenza che è il prodotto della connettività tra gli individui, poiché ciascuno può operare correzioni e revisioni (Buffardi e de Kerckhove 2011, 49).

La produzione di dati e informazioni è il tratto che contraddistingue la CS da altre pratiche partecipative: l’apporto della CS alla conoscenza si manifesta in primo luogo attraverso la raccolta e la condivisione di dati e informazioni.

I dati provenienti dalle attività di CS appartengono alla grande famiglia dei contenuti generati dagli utenti in modo volontario attraverso rilevazioni di vario tipo e tramite supporti tecnologici e definiti User-Generated Content (UGC) (Krumm, Davies, e Narayanaswami 2008)1.

I dati generati dagli utenti sono anche denominati crowdsourced data. Questi, pur essendo simili agli UGC, presentano delle differenze. Infatti, il dato crowdsourced implica che la raccolta e produzione di dati avvenga volontariamente nel contesto di un progetto o con un obiettivo specifico; inoltre sono dati collezionati in grandi quantità. Ne sono esempi consolidati progetti collaborativi open source come Wikipedia con oltre 50 milioni di utenti e 6 milioni di articoli (Wikipedia Statistics 2024) e OpenStreetMap (cfr. par.3.2.3.), con oltre 6 milioni di utenti e quasi 2 milioni di contributori attivi che mira a creare una mappa del mondo libera, modificabile e accessibile a tutti.

L’elemento ‘volontario’ all’interno di queste trasformazioni è oggetto di dibattito, in quanto gli utenti del Web 2.0 possono produrre informazioni sia consapevolmente che inconsapevolmente con possibili effetti sulla qualità dei dati prodotti. Nel caso di informazioni prodotte involontariamente, ossia quando l’utente lascia delle tracce digitali (check-in effettuato con carte di credito, accessi a Google Maps ecc.) che vengono utilizzate a sua insaputa e per gli scopi più vari, non sempre la qualità delle informazioni è garantita. Quando invece, la produzione di informazioni è volontaria e segue regole condivise – riguardanti ad esempio la geocodifica, il tagging, oppure stabilite in protocolli di raccolta come nelle attività di CS – c’è maggior garanzia che la qualità dei dati sia condivisa e assicurata (cfr. par. 5.2) (Coleman, Georgiadou, e Labonte 2009; Harvey 2013).

I dati provenienti da attività di CS oltre ad essere di tipo crowdsourced sono anche geografici, in quanto contengono una dimensione spaziale (puntuale o areale) che permette di collocarli sulla superficie terrestre.

Per questo motivo sono più propriamente un caso di Volunteered Geographic Information (VGI) che, secondo la definizione coniata nel 2007 da Michael Goodchild, indica un sottoinsieme di contenuti generati dagli utenti che presentano specifiche componenti spaziali e temporali:

Dal 2007, il successo della VGI è cresciuto costantemente e ha creato un’ampia comunità scientifica coinvolta nell’utilizzo di queste nuove fonti di informazione geografica, fondamentali per soddisfare lo spatial turn alimentato dalla rivoluzione della cartografia digitale o neogeografia. La neogeography ha reso la mappatura alla portata di quasi tutti gli utenti che tramite una tecnologia adeguata (ad esempio uno smartphone), sono in grado di catturare la posizione di un elemento e di visualizzare le informazioni su una mappa (Turner 2006; Batty et al. 2010; Wilson e Graham 2013).

Come sottolineato da Cooper et al. (2011), i concetti di Volunteered Geographic Information, crowdsourcing, neo-geografia vengono talvolta confusi l’uno con l’altro, benché ciascuno di essi riguardi aspetti diversi delle pratiche contributive e partecipative. Mentre la Volunteered Geographic Information si riferisce a dati geografici volontariamente collezionati dal citizen scientist o dai citizen as sensor, nell’accezione di Goodchild (2007), il crowdsourcing fa riferimento ad una modalità di produzione di informazioni che coinvolge un ampio gruppo di partecipanti, non necessariamente collegati tra loro, che possono utilizzare anche mezzi diversi per la raccolta (internet, social media, piattaforme digitali ecc.) come avviene ad esempio nelle piattaforme globali di CS come INaturalist, dove ad oggi, oltre 3 milioni di utenti hanno prodotto oltre 200 milioni di osservazioni a livello globale; oppure eBird con oltre 100 milioni di specie ornitologiche registrate.

In realtà, nella CS tutte queste accezioni trovano riscontro. La CS infatti, in qualità di pratica partecipativa utilizza il crowdsourcing e produce Volunteered Geographic Information in quanto la contribuzione oltre ad essere volontaria è legata a precise esigenze del progetto (ad esempio monitoraggio della qualità dell’aria, di specie invasive ecc.). Infine, il dato raccolto viene rappresentato su supporto cartografico tramite il web mapping, per lo più in tempo reale.

La VGI è dunque strettamente legata al fenomeno del crowdsourcing, in quanto si riferisce ad un metodo di raccolta di informazioni geospaziali da parte di individui che partecipano, come nelle iniziative di CS, a reti collaborative di produzione tra pari basate sulla condivisione di conoscenze comuni (Benkler e Nissenbaum 2006). In questo contesto, la produzione di VGI incarna la relazione implicita o esplicita dell’individuo con il mondo e manifesta il senso di appartenenza ad un’entità spaziale, sia essa un paese o un quartiere; questa relazione costituisce una parte importante sia per la motivazione che spinge l’individuo ad agire per interesse più ampio, sia per la capacità del gruppo di esortare l’individuo all’azione e alla partecipazione (Curry 1997). Il concetto applicato alla CS significa che la produzione di dati riduce la separazione tra scienziati e utenti non esperti e costituisce «il contributo più importante della Citizen Science nel suo complesso, poiché spinge gli scienziati a relazionarsi più profondamente con la società» (Haklay 2013a, 14).

Scheda 4.2 I dati come beni comuni (o commons)

Nell’era digitale, i dati sono diventati una risorsa cruciale per la società, trasformando il modo in cui governi, aziende e individui interagiscono. In questo contesto i dati dovrebbero essere considerati come commons, ovvero risorse condivise gestite collettivamente per il bene comune.

Il concetto di commons ha origine da una riflessione sulla gestione collettiva delle risorse naturali, come pascoli, foreste e fiumi. Elinor Ostrom, nel suo lavoro pionieristico (1990), ha dimostrato che le risorse comuni possono essere gestite efficacemente attraverso sistemi di governance policentrici basati sulla collaborazione e sulla fiducia. Questo principio è stato ampliato per includere risorse immateriali come la conoscenza, che deve essere accessibile e condivisa per massimizzarne i benefici sociali.

Questo breve approfondimento esplora la concezione dei dati come commons nell’ambito della CS, evidenziandone i benefici, le sfide e le opportunità per l’equità e la sostenibilità.

I dati sono considerabili come un’infrastruttura essenziale per il funzionamento delle società moderne, analogamente alle risorse naturali come l’acqua o l’aria, poiché è su di essi che si basano una molteplicità di operazioni – dalle più semplici alle più complesse – che rendono possibile la vita quotidiana. Inoltre, i dati possiedono un intrinseco valore generativo: al pari di altri beni immateriali (come la cultura o la conoscenza) non si esauriscono con l’uso, ma possono essere riutilizzati infinite volte per creare nuova conoscenza e innovazione. Tuttavia, la gestione dei dati è spesso dominata da attori privati e modelli di proprietà esclusiva, con conseguenze negative per l’accessibilità, l’equità e la trasparenza. Pertanto, considerare i dati come commons implica un cambiamento radicale di prospettiva: significa trattare i dati non come merce da sfruttare, ma come un bene pubblico che richiede una governance collettiva. Questo è particolarmente evidente nel contesto della CS, dove i dati raccolti dai cittadini possono servire per una vasta gamma di scopi scientifici, ambientali, sociali e politici, contribuendo al benessere collettivo e stimolando la partecipazione attiva della società e la promozione dell’Open Science, come espresso anche dai dieci principi della CS (cfr. 1.3).

I dati generati dai progetti di CS rappresentano un esempio concreto di commons. Milioni di volontari in tutto il mondo partecipano alla raccolta e all’analisi dei dati su questioni come la biodiversità, i cambiamenti climatici, il rumore, gli odori, le barriere architettoniche ecc. generando enormi quantità di dati che, quando condivisi in maniera aperta, contribuiscono al progresso scientifico.

In particolare, alcuni aspetti caratterizzano i dati prodotti da attività di CS come commons:

Nonostante gli evidenti benefici di una gestione aperta e condivisa dei dati, nel contesto della CS si pongono sfide significative, quali:

Per affrontare queste sfide, è necessario adottare strategie mirate:

Considerare i dati prodotti dalla CS come commons rappresenta dunque un’opportunità unica per democratizzare la conoscenza e promuovere una scienza più equa, inclusiva e sostenibile, nonché per rafforzare i legami sociali. Ispirandosi al lavoro di Rob Kitchin (2014a, 2021), questa prospettiva invita a ripensare la governance dei dati, passando da modelli proprietari a sistemi di gestione collaborativa. Attraverso politiche inclusive, piattaforme aperte e una governance etica, possiamo costruire un futuro in cui i dati siano una risorsa condivisa, utilizzata per il bene comune e per lo sviluppo sostenibile.

La VGI è prodotta da chiunque possa potenzialmente agire come sensore e fornire, più o meno consapevolmente, informazioni di valore (Capineri e Rondinone 2011; Haklay, Singleton, e Parker 2008; Sui, Goodchild, e Elwood 2013). Come argomentato da Goodchild

Più precisamente, le componenti essenziali della VGI sono:

1) il riferimento geografico (ad esempio geotag, coordinate geografiche, toponimo) che consente di rappresentare le informazioni su una mappa e quindi di soddisfare l’esigenza di sapere ‘dove siamo’ o ‘dove stanno le cose’;

2) i contenuti che permettono di trasformare questi dati in informazioni e successivamente in conoscenza. I contenuti possono assumere diverse forme: immagini, testi, simboli, mappe, foto, video, disegni, numeri ecc.;

3) elementi per la profilazione degli utenti e dei produttori di contenuti (o prosumers, Coleman, Georgiadou, e Labonte 2009) come la nazionalità, la lingua (talvolta l’età e il sesso), l’orario della creazione del contributo.

Le componenti della VGI possono così essere rappresentate come i tre angoli di un diagramma ternario (Fig. 4.1), che mostra come l’impiego di questi dati possa variare a seconda dell’enfasi data a una o più componenti.

Figura 4.1 – Le componenti della VGI. Fonte: Capineri 2016, 20.

L’enfasi posta su una o più componente implica prospettive di analisi diverse che si possono focalizzare per esigenze dell’analisi o del progetto su:

1) il dove delle informazioni, offerto dal riferimento geografico che serve per sviluppare la prospettiva spaziale;

2) il cosa, dato dai contenuti che si adattano ad analisi anche di tipo qualitativo;

3) il chi, ossia le informazioni sui produttori che si prestano allo studio del processo di partecipazione e produzione del dato.

Certamente la rappresentazione proposta costituisce una semplificazione, poiché sarebbe necessario aggiungere la dimensione temporale per dare un quadro più completo delle potenzialità della relazione tra le componenti delle fonti VGI. Ciononostante, la combinazione delle tre componenti offre già un utile modello per aggregare, sintetizzare e confrontare le informazioni a diverse scale su questioni o eventi specifici.

In sintesi, gli aspetti innovativi di questa tipologia di dati, che li distingue dai dati provenienti da fonti ufficiali (ad esempio, i censimenti), o da indagini dirette come le survey o le interviste, sono dovuti a:

1) le caratteristiche di queste informazioni (generate da produttori non esperti, l’approccio partecipativo, la quantità, l’accessibilità in tempo reale, la risoluzione spaziale a grana fine e la scalabilità);

2) i campi estremamente diversificati delle potenziali applicazioni (gestione dei disastri e delle crisi umanitarie, monitoraggio ambientale, pianificazione territoriale, uso del suolo, mobilità, pratiche sociali ecc.);

3) la natura esperienziale e percettiva del contenuto incorporato nella VGI, che può essere distillato per ottenere una migliore comprensione di elementi del contesto, pratiche e abitudini, in quanto la VGI è costruita sulla comprensione del mondo mediato dai contributi delle persone, quindi dalle pratiche sociali (Elwood 2008).

Nelle sezioni seguenti ogni componente sarà brevemente contestualizzata rispetto al tema della CS, traendo esempi sia dalla letteratura esistente sia da casi di studio.

La dimensione spaziale è fondamentale nelle attività di CS in quanto la raccolta dei dati si fonda sulla localizzazione degli elementi da rilevare e su altri attributi come l’ambito di riferimento (città, quartiere ecc.), i percorsi, la direzione e il movimento.

Nei progetti di CS, la posizione viene rilevata in diversi modi. In generale, la maggior parte delle piattaforme e delle applicazioni di CS prevedono la compilazione di un modulo online, in cui la posizione è indicata cliccando su un’interfaccia cartografica e sempre più raramente le coordinate di latitudine e longitudine sono inserite manualmente. In altri casi l’acquisizione della localizzazione è ottenuta automaticamente tramite un’applicazione mobile in fase di caricamento di fotografie e commenti (Fig. 4.4).

I dati raccolti nei progetti di CS vengono poi elaborati nella fase di analisi in relazione agli obiettivi del progetto. I loro principali utilizzi riguardano la creazione di classificazioni tassonomiche, di conteggi e/o stime, in un’area definita, della percentuale di copertura di un elemento (ad esempio organismo o specie), di misurazioni ambientali (ad esempio livelli di inquinamento acustico), presenza/assenza di individui o elementi fisici ecc.

In particolare, i dati rilevati dal citizen scientist rispondono in molti casi ad una specifica semantica spaziale, che potremmo definire come una semantica della presenza e dell’assenza: mentre la semantica della presenza si basa sulla ricerca e mappatura di un elemento con proprietà specifiche, la semantica dell’assenza si basa sulla ricerca di un elemento mancante in una determinata area. Ad esempio, per quanto concerne la semantica della presenza si osservi il progetto Mosquito Alert4 sulla rilevazione e classificazione delle tipologie di zanzare (Fig. 4.5).

Molti progetti di CS si limitano, almeno in una prima fase, alla rappresentazione puntuale dei dati raccolti su basi cartografiche web. La distribuzione delle rilevazioni costituisce il punto di partenza per la successiva analisi delle osservazioni che sono il materiale fondamentale per l’individuazione, ad esempio, di concentrazioni e dispersioni spaziali o di aree di rispetto (buffer), di modelli di circolazione o di movimento che portano verso l’interpretazione del dato raccolto e quindi verso la comprensione di un determinato fenomeno. Ad esempio, la Fig. 4.6 rappresenta la distribuzione spaziale dell’intensità dell’inquinamento acustico (heatmap) nel centro storico di Siena, ottenuta elaborando oltre 120.000 rilevazioni eseguite nel 2016, nell’arco di una settimana, con l’applicazione Noisetube5, uno strumento di CS progettato per monitorare e mappare l’inquinamento acustico in decibel (dB) attraverso l’utilizzo del microfono integrato negli smartphone.

Altro esempio è quello sviluppato nel 2016 dagli scienziati del Cornell Lab of Ornithology che mediante l’utilizzo di milioni di osservazioni tratte dal database del progetto eBird6, hanno tracciato le rotte migratorie di molte specie di uccelli nel continente americano, combinandole con una serie di caratteristiche geografiche e condizioni atmosferiche su larga scala (Fig. 4.7).

Figura 4.7 – Visualizzazione delle rotte migratorie di uccelli con eBird. Didascalia: (a sinistra) traiettorie migratorie nell’emisfero occidentale con risoluzione temporale giornaliera per 118 specie di uccelli migratori per il periodo combinato 2002-2014; (a destra) classificazione delle traiettorie migratorie per le 118 specie. Fonte: La Sorte et al. 2016 ed eBird 2016.

L’esperimento ha mostrato che, date le numerose rilevazioni effettuate nel tempo, aggiungendo la dimensione temporale i dati della CS permettono di individuare tendenze ed esplorare cause e fattori di un fenomeno.

Con riferimento alla dimensione qualitativa dei dati, che come prima specificato permette di intercettare dimensioni soggettive legate alle percezioni o alle emozioni dei partecipanti, portiamo due esempi sull’utilizzo di queste informazioni. Alcuni progetti di CS hanno monitorato l’inquinamento acustico e gli spazi di quiete (Radicchi 2021), oppure le emozioni percepite in certi luoghi (Capineri et al. 2018). In questi casi il dato raccolto, pur essendo corredato della misura degli attributi rilevati da sensori di vario tipo, include anche una dimensione qualitativa laddove il partecipante associa un attributo alla percezione definendo i luoghi come rumorosi, silenziosi, piacevoli o spiacevoli e così via.

Due casi relativi alla misura delle aree di quiete e delle emozioni in zone urbane esemplificano quanto sopra esposto. Il primo caso si riferisce all’utilizzo dell’applicazione Hush City (cfr. Hush City s.d.), con la quale i cittadini registrano i luoghi percepiti come di aree di quiete; nel secondo, tramite l’applicazione EmoMap (Research Unit Cartography TU s.d.), sono stati rilevati livelli di comfort in ambiti urbani diversi.

Il progetto Hush City consente di raccogliere non solo dati quantitativi, come i livelli di rumore misurati in decibel tramite dispositivi mobili, ma anche dati percettivi e qualitativi. Questo approccio permette di comprendere meglio come i cittadini interpretano e vivono l’ambiente riguardo alla quiete e al comfort acustico, includendo anche osservazioni sulle caratteristiche dell’area, come la presenza di vegetazione, infrastrutture, o attività umane che influenzano la loro esperienza della quiete (Fig. 4.8).

Figura 4.8 – Rilevazione da Hush City Map. Fonte: Hush City (2024-11-24).

Nel caso del progetto EmoMap, nell’applicazione omonima sviluppata dell’Università di Tecnologia di Vienna (Klettner et al. 2013), le misure delle sensazioni percepite, riguardano il monitoraggio delle risposte emotive dei partecipanti tramite smartphone dotati di GPS. Nel progetto EmoMap ai partecipanti viene chiesto di selezionare da un elenco di aggettivi emotivi legati all’ambiente, introdotto da Russell e Pratt (1980), quelli che meglio descrivono la qualità emotiva del luogo7. Ogni risposta viene poi annotata sulla mappa con la posizione GPS rilevata dallo smartphone dell’utente. La sperimentazione effettuata a Vienna ha in primo luogo individuato tre contesti urbani distinti in base al livello di traffico e di vegetazione: area urbana verde, area urbana con traffico leggero (corsie pedonali e strade a una corsia) e area urbana con traffico intenso (strade a due o tre corsie). Sono stati quindi raccolte 3.500 rilevazioni da 200 cittadini partecipanti nell’arco di un anno (2016). I dati ottenuti hanno permesso di confrontare le risposte emotive nei tre contesti urbani di riferimento. In base al livello di comfort riferito dai partecipanti, i risultati suggeriscono che le valutazioni differiscono significativamente tra i tre contesti esaminati. Come evidenzia la Fig. 4.9 (osservando da sinistra verso destra), le aree verdi urbane mostrano le valutazioni più positive, seguite dalle aree a traffico urbano leggero. Le aree urbane con traffico intenso, invece, mostrano valutazioni fortemente negative.

Figura 4.9 – Livelli di comfort in tre aree urbane a Vienna. Fonte: Capineri et al. 2018, 279.

Analogo esperimento è stato sviluppato dall’Università di Siena, tramite il coinvolgimento di circa 60 studenti che hanno rilevato le loro percezioni di comfort in diverse zone della città nell’arco di 6 mesi nel 2016. A titolo di esempio, si osservi la Fig. 4.10 che illustra le risposte emotive nell’intero contesto urbano senese. Complessivamente, le risposte emotive sono per lo più positive: il valore medio del livello di comfort è di 5,19 su una scala che va da 1 (molto spiacevole) a 7 (molto piacevole). La maggior parte dei partecipanti hanno percepito il sito come piacevole, bello, attivo, tranquillo e confortevole.

Figura 4.10 – Livelli di comfort nella città di Siena. Fonte: Capineri et al. 2018, 282.

I progetti di CS operano a scale diverse in relazione agli obiettivi della ricerca e alla tipologia di dati da raccogliere. Le attività possono variare dalla scala locale (quartiere, città, area protetta, bacino fluviale ecc.) quando l’oggetto di analisi è riferito a questioni localizzate o di interesse specifico della comunità coinvolta, ad una scala sovralocale utile per monitorare gli andamenti di determinati fenomeni in aree più vaste e per periodi più lunghi. Alcuni progetti adottano la scala globale in quanto intendono affrontare questioni che trascendono i confini di singoli paesi come il cambiamento climatico, le migrazioni di specie animali e così via.

La scala locale spesso intercetta gli interessi di movimenti e gruppi di attivismo locale che si formano per affrontare problematiche collettive (ad esempio inquinamento da attività industriali, inquinamento rumoroso, ecc.). Talvolta hanno scala locale progetti che nascono per esigenze scientifiche promosse da una istituzione accademica, come le università. La scala locale coinvolge lo spazio vissuto, ben conosciuto dai citizen scientist, e costituisce la lente più adeguata per sviluppare osservazioni di breve periodo e per attività che possono essere integrate con altre routine (ad esempio lavoro, svago, trasporto). In particolare, la scala urbana si dimostra particolarmente adatta per le applicazioni di CS per quanto concerne sia i campi di applicazione (inquinamento, qualità delle infrastrutture ecc.) sia la prossimità geografica tra i partecipanti che, sfruttando la propria conoscenza del contesto locale, agiscono nei luoghi a loro più familiari (strade, piazze, cortili delle loro case), teatro delle routine quotidiane (Fritz et al. 2019, Fraisl et al. 2020).

Alla scala sovralocale operano per lo più organizzazioni consolidate in quanto le questioni affrontate sono più complesse e richiedono un supporto organizzativo e finanziario più consistente rispetto ad iniziative locali tipicamente di carattere bottom-up (Haklay 2015, 27). A questa scala, raggiungere un’ampia copertura delle osservazioni raccolte è tanto fondamentale quanto sfidante. Per far ciò, le organizzazioni si adoperano diffusamente per reclutare e coinvolgere volontari in modo da raggiungere una copertura sufficiente agli scopi della ricerca. In questo contesto le istituzioni che operano a livello nazionale (ad esempio ministeri, agenzie nazionali e internazionali) promuovono iniziative e monitoraggi (ad esempio della biodiversità).

La scala globale richiede strutture di organizzazione ancora più impegnative: si tratta spesso di affrontare fenomeni che trascendono i confini nazionali (ad esempio l’identificazione di pattern migratori degli uccelli, il monitoraggio della biodiversità) (Cooper, Shirk, e Zuckenberg 2014). A questo livello rivestono un ruolo fondamentale le organizzazioni nazionali di CS che agiscono come raccordo di attività tra diversi livelli di governance. Basti pensare al ruolo della European Citizen Science Association (ECSA) fondata nel 2014 che costituisce la rete principale delle istituzioni europee impegnate sui temi della CS, oltre ad aver lanciato la più aggiornata piattaforma europea che raccoglie progetti e materiali8. A questa scala si esplica prevalentemente una partecipazione di tipo contributivo (participatory sensing o passive sensing) ossia i citizen producono e collezionano informazioni in modo strutturato affinché la qualità e la consistenza dei dati siano assicurate. Per questo motivo si utilizzano le applicazioni mobili o web delle principali piattaforme dedicate al monitoraggio di specie animali e vegetali.

La scelta della scala geografica nei progetti di CS dipende dagli obiettivi della ricerca, dalle risorse disponibili e dal livello di coinvolgimento e partecipazione desiderato dal pubblico. È importante osservare che spesso i progetti di CS sono in realtà transcalari. Ad esempio, un progetto che sviluppa attività a scala locale in varie città, produce dati che confluiscono poi in un database regionale o nazionale, contribuendo ad un’ampia e capillare copertura spaziale del fenomeno studiato che non sarebbe stato possibile raggiungere con i metodi di ricerca tradizionali.

Figura 4.2 – Articoli di Wikipedia geotaggati per paese in tutte le lingue. Fonte: Graham et al. 2014, 752.

Figura 4.3 – Distribuzione delle osservazioni sulla piattaforma iNaturalist. Fonte: iNaturalist s.d. (2025-01-03).

Figura 4.4 – Visualizzazione di rilevazioni sulla piattaforma iNaturalist. Fonte: iNaturalist 2025 (2025-01-03).

Figura 4.5 – Mappa delle rilevazioni del progetto Mosquito Alert Italia. Fonte: MosquitoAlert Italia s.d. (2025-01-02).

Figura 4.6 – Heatmap dell’inquinamento acustico di Siena (2016). Didascalia: la carta è stata elaborata utilizzando una funzione kernel che calcola la densità attorno a ciascun punto e assegna valori progressivamente più bassi con l’aumentare della distanza. Fonte: Elaborazione su dati del progetto Noisebusters, Università di Siena 2016.

La CS si confronta spesso con lo scetticismo degli scienziati professionisti e con una certa diffidenza dei decisori politici in quanto può accadere che i progetti siano afflitti da carenze nell’accuratezza dei dati, dalla mancanza di protocolli di campionamento standardizzati, da una rappresentazione spaziale o temporale inadeguata e/o da una dimensione del campione insufficiente (Lewandowski e Specht 2015; Kosmala et al. 2016; Bonney et al. 2014; Figueiredo Do Nascimento et al. 2018). Tra i principali pregiudizi vi è anche l’idea che la CS rappresenti una pratica marginale priva di professionalità, principalmente a causa di presunte debolezze metodologiche. Tuttavia, è importante ricordare che tali limiti possono manifestarsi anche nella scienza professionale1.

La mancanza di fiducia può inibire le collaborazioni tra scienziati e pubblico e costituire un ostacolo al raggiungimento degli obiettivi fondanti dei progetti di CS. Garantire, dunque, la qualità dei dati è importante perché una generale mancanza di fiducia ne diminuirà l’uso a fini scientifici o politici (Conrad e Hilchey 2011; Dickinson, Zuckerberg e Bonter 2010).

Nonostante le critiche, la CS ha offerto contributi significativi in ambiti quali la biologia e le altre scienze naturali, dimostrando di essere complementare ai metodi tradizionali di raccolta dati. Di conseguenza, questo approccio non dovrebbe essere ignorato dalla comunità scientifica, ma piuttosto integrato attraverso un ampliamento dei paradigmi scientifici tradizionali per permettere, quando opportuno, che i dati prodotti dalla CS integrino quelli di altre fonti. È indubbio che la CS, grazie ai progressi tecnologici e al coinvolgimento della società civile, ha trasformato l’accesso a dati multidimensionali per la risoluzione di problemi concreti; inoltre, il suo ruolo trasformativo emerge chiaramente nella sua capacità di contribuire al monitoraggio e al raggiungimento degli Obiettivi di Sviluppo Sostenibile (SDG) (Fritz et al. 2019; Fraisl, See, Campbell et al. 2023; Sanna et al. 2024) (cfr. par. 6.3).

In questo contesto, la qualità dei dati prodotti è fondamentale per rafforzare la fiducia non solo nella scienza ma anche nelle iniziative di CS come leve per promuovere la coesione sociale, necessaria alla collaborazione e ai processi di negoziazione come pure alla risoluzione di conflitti. La qualità dei dati è dunque un elemento cruciale in funzione del loro potenziale impatto su azioni, iniziative e politiche pubbliche che ne prevedano l’utilizzo.

Il tema è comunque complesso e oggetto di dibattito, poiché non esiste un approccio universale che possa soddisfare le diverse aspettative sia degli attori coinvolti che degli obiettivi dei progetti. Ricercatori, istituzioni, responsabili delle politiche e cittadini hanno esigenze diverse: i primi possono puntare a un’elevata accuratezza scientifica con protocolli rigorosi per individuare i dati inaffidabili, i secondi potrebbero privilegiare l’assenza di distorsioni, mentre i cittadini potrebbero richiedere informazioni comprensibili e rilevanti per risolvere i loro problemi quotidiani.

Diversi fattori contribuiscono dunque a rendere complessa la definizione della qualità dei dati nella CS. In primo luogo, la crescente diffusione e popolarità di questo approccio ha generato molteplici tipologie di progetti che usano metodologie differenti. In secondo luogo, la maggior parte dei progetti di CS adotta un approccio contributivo che, già nella fase iniziale del progetto, richiede di predisporre un robusto piano o un protocollo metodologico per la raccolta dei dati (Freitag et al. 2016). Inoltre, occorre tener presente che i progetti possono produrre dati di diversa natura (quantitativi, qualitativi o misti), richiedendo di implementare adeguati sistemi di validazione. Infine, i progetti di CS sono spesso caratterizzati da una pluralità di obiettivi, che sollevano questioni di legittimità e di soddisfacimento delle esigenze di molteplici stakeholder che non sempre risultano complementari. Questa pluralità di interessi rende cruciale l’elaborazione di criteri condivisi per garantire la qualità dei dati raccolti.

I metodi della CS presentano grandi vantaggi, vista la loro potenziale capacità di fornire grandi quantità di dati su ampie regioni geografiche e per lunghi periodi di tempo, spesso ottenuti a costi relativamente bassi (Dickinson, Zuckerberg, e Bonter 2010). Molti progetti acquisiscono consistenti quantità di osservazioni (spesso oltre centinaia di rilevazioni al giorno), pertanto, è oltremodo necessario garantire dati di qualità che possano incontrare la fiducia degli stakeholder e delle istituzioni. Contrariamente, dati di bassa qualità portano ad inefficienze e a decisioni sbagliate con conseguenti gravi impatti sia a livello politico che scientifico e sociale.

Sebbene la qualità dei dati possa sembrare un concetto intuitivo – ad esempio legato all’idea di ‘correttezza’ – è impossibile proporre una definizione univoca e universalmente significativa in quanto la qualità dipende dal contesto in cui i dati vengono prodotti, dall’obiettivo per cui vengono raccolti e soprattutto dall’utilizzo che se ne vuole fare.

Da un punto di vista epistemologico, la questione risiede su quanto accuratamente i dati rappresentino i costrutti del mondo reale a cui si riferiscono. In linea generale, l’accuratezza di un dato può essere intesa come la sua conformità alla realtà, cioè la vicinanza di una misura al valore vero o atteso, e la precisione, relativa alla ripetibilità o riproducibilità di una misura. In altre parole, una misura è precisa (o imprecisa) se possiamo ottenere lo stesso valore (o valori diversi) eseguendo misure distinte in presenza delle stesse condizioni contestuali.

Nella fase della raccolta dei dati, la precisione e l’accuratezza sono gli aspetti più importanti; nell’elaborazione dei dati, è fondamentale che i set di dati siano coerenti nel tempo mentre per l’analisi dei dati, i set di dati devono avere un’adeguata rappresentazione e distribuzione dell’oggetto dell’osservazione o dell’area di riferimento (Fig. 5.1).

Figura 5.1 – Dimensioni della qualità dei dati da CS. Fonte: Tradotta da Balázs et al. 2021, 143.

In generale, riferendosi alla qualità di dati scientifici, occorre partire da due prospettive: interna ed esterna. La prospettiva interna (o qualità intrinseca), propria del dato in sé, si riferisce ad alcune proprietà del dato quali l’accuratezza, l’affidabilità e la coerenza che vengono assicurate durante la progettazione e la produzione dei dati; la prospettiva esterna si riferisce invece all’adeguatezza dei dati per rispondere ai diversi utilizzi che i consumatori finali ne faranno.

Le due prospettive sono fondanti proprio per la definizione stessa della CS che, come abbiamo visto nei capitoli precedenti, ha come obiettivo principale la produzione di conoscenza, alla quale si giunge tramite la raccolta e l’elaborazione di dati e informazioni utili nel più ampio panorama della elaborazione di politiche e della promozione di una scienza aperta e condivisa.

Come introdotto in precedenza (cfr. par. 3.1.5), conclusasi la fase di raccolta dati, il primo passo da effettuare è quello della validazione e della cosiddetta ‘pulizia dati’ che ha come obiettivo identificare, correggere ed eliminare gli errori formali o casuali (valori mancanti, errori di battitura, utilizzo di formati difformi ecc.). La pulizia dei dati permette altresì di individuare i bias sistematici (dovuti a rilevamenti imperfetti o da errori di stima che possono condurre a sovra o sottostime regolari) e i bias di campionamento (derivanti da osservazioni non casuali effettuate, ad esempio, in luoghi preferiti dagli osservatori oppure determinate dai cambiamenti stagionali nell’impegno) (Chapman 2005).

I progetti di CS devono seguire protocolli per la raccolta dei dati la cui progettazione è fondamentale per garantirne una corretta produzione e assicurare che le informazioni siano attendibili e di elevata qualità.

Per protocollo di raccolta dati si intende un insieme strutturato di linee guida e procedure operative per standardizzare e garantire la qualità, l’affidabilità e la coerenza dei dati raccolti dai partecipanti. Il protocollo definisce: 1) i metodi specifici e gli strumenti da utilizzare per la raccolta dei dati, inclusi moduli, tecnologie o software; 2) le attività richieste ai volontari; 3) la cronologia e la frequenza o scadenza della raccolta; 4) i meccanismi per controllare e valutare la qualità dei dati; e 5) norme di comportamento nel rispetto dell’etica della ricerca (privacy, gestione dei dati personali, consenso informato dei partecipanti ecc.) (cfr. par. 5.6).

I protocolli garantiscono, in primo luogo, che la raccolta dati sia condotta in modo uniforme, indipendentemente dal luogo o dalle persone coinvolte. In secondo luogo, espongono le tecniche per minimizzare errori e imprecisioni, in modo da garantire qualità e integrità delle informazioni raccolte. Infine, grazie ai protocolli, è possibile confrontare i dati raccolti da vari partecipanti in tempi e luoghi diversi. Ad esempio, per il monitoraggio di una specie vegetale o animale, il protocollo potrebbe includere la lista delle specie più comuni da riconoscere, indicazioni su come identificarne le caratteristiche distintive e per quanto tempo osservarli in ogni area (ad esempio, 10 minuti in una zona di 5 metri quadrati), e i dati da raccogliere (ad esempio, numero di individui per specie).

In altri casi, ad esempio progetti che prevedono il monitoraggio di oggetti, inquinanti e plastiche sulle spiagge, il protocollo potrebbe spiegare come delimitare l’area per l’identificazione e raccolta dei rifiuti (es. una fascia di 100 metri lungo la battigia), la classificazione standard dei rifiuti da raccogliere (microplastiche, bottiglie, reti ecc.) e la procedura per contare o pesare i diversi tipi di plastica rinvenuti (Fig. 5.2). In un progetto dedicato alla raccolta di dati sulla qualità dell’aria, il protocollo spiega ai partecipanti come posizionare i sensori (ad esempio, ad una specifica altezza dal suolo), indica i parametri da misurare (livelli di PM2.5 o PM10), le tempistiche dei rilevamenti ecc. Inoltre, i protocolli sono comunemente corredati da supporti come guide illustrate, kit, applicazioni digitali o moduli per registrare i dati, e video tutorial per facilitare la comprensione e l’uso corretto dei metodi di raccolta.

Un protocollo ben progettato è fondamentale per affrontare le sfide di variabilità e incertezza tipiche della CS, garantire dati di qualità elevata e facilitare l’uso efficace delle informazioni raccolte per rispondere agli obiettivi della ricerca. Ad esempio, nel caso di Galaxy Zoo, nel protocollo di osservazione inizialmente erano elencate solo tre categorie di galassie e non era possibile aggiungerne di nuove (Lukyanenko, Parsons, e Wiersma 2016; Balázs et al. 2021, 142). La cattiva progettazione dei protocolli di raccolta dei dati può anche portare a disuguaglianze spaziali, ossia si vengono a creare situazioni in cui alcune aree geografiche o regioni ricevono proporzionalmente più o meno attenzione da parte dei citizen scientist, come nel caso di aree urbane rispetto a quelle rurali.

Figura 5.2 – Protocollo di raccolta: la definizione dell’area. Fonte: Progetto PolliBright, Manuale d’uso 2016, 6.

In molti casi, i volontari interrompono la loro partecipazione ai progetti perché non riescono ad utilizzare i protocolli per la raccolta dei dati, oppure perché i protocolli sono troppo complicati e riducono il senso del divertimento introducendo regole e compiti apparentemente onerosi e impegnativi in termini di tempo. Alcuni autori hanno riferito che i partecipanti spesso indicano di essere meno interessati agli obiettivi del progetto o di non essere consapevoli dei potenziali usi finali dei dati del progetto e di essere interessati solo alla partecipazione. Si tratta ovviamente di un problema di formazione e comunicazione. È importante spiegare perché è stato scelto un protocollo specifico, a cosa possono servire i dati del progetto e quale impatto ha la qualità su questi usi finali. In molti casi, la migliore strategia adottabile è quella di semplificare la progettazione dell’interfaccia utente negli strumenti di raccolta dei dati e renderli coinvolgenti e compatibili con la varietà di competenze e motivazioni dei potenziali cittadini scienziati (Danielsen et al. 2014).

Al fine di completare la panoramica sulla qualità del dato citizen-generated, dalla produzione dell’informazione al controllo di qualità, appare opportuno offrire due esempi a confronto basati su casi pratici diffusi in Europa e nel mondo: FreshWater Watch e iNaturalist (cfr. Tab. 5.1).

Negli ultimi vent’anni, nel mondo, si è dato vita a migliaia di progetti di CS che hanno coinvolto milioni di partecipanti nella raccolta, organizzazione, trascrizione e analisi di un’enorme mole di informazioni relative alle più disparate tematiche, dai macroinvertebrati agli insetti, dalla qualità dell’acqua alle galassie (Conrad e Hilchey 2011; Follett e Strezov 2015; Sforzi et al. 2018).

La letteratura più recente sul tema osserva come i progetti di CS siano in grado di dotare i partecipanti di accresciute conoscenze sulla scienza e sui processi di produzione del sapere (‘alfabetizzazione scientifica’), aumentando la consapevolezza pubblica circa la varietà della ricerca scientifica e, di conseguenza, conferendo un arricchito senso valoriale alle attività che spesso i partecipanti intraprendono come degli hobby (Cronje et al. 2011, Bonney et al. 2016, Mattei 2023).

Molti autori sostengono che la CS contribuisce positivamente al benessere sociale, dando sempre più spesso voce alle persone in processi decisionali che possono potenzialmente avere effetti diretti sulle loro vite, sugli ambienti in cui esse vivono ecc.

Nella corrente epoca post-pandemica caratterizzata da movimenti populisti, disinformazione e scetticismo nei confronti del sapere scientifico, i progetti di CS hanno il potenziale di ricucire i rapporti tra scienza e società rendendo il processo scientifico e di generazione della conoscenza partecipativo e inclusivo di molti stakeholder che altrimenti rischierebbero di non essere ascoltati o coinvolti (McCormick 2007; Mattei 2023).

Tuttavia, la CS deve affrontare molteplici questioni etiche che sorgono quando si coinvolge il pubblico nella ricerca. Da un lato, queste riguardano temi di carattere generale legati alla gestione, al trattamento e alla protezione dei dati; relativi, dunque, alla proprietà intellettuale delle informazioni prodotte, alle modalità di conservazione, archiviazione, condivisione e circolazione dei dati ecc. Dall’altro, ci si deve confrontare con una serie di sfide e veri e propri dilemmi etici legati alle pratiche della partecipazione quali, ad esempio, equità, giustizia, diversità e inclusione di tutte le categorie di stakeholder potenzialmente interessate da un progetto di CS. È pertanto importante effettuare una disamina delle principali questioni etiche e di gestione dei dati ricondotte alle pratiche di CS e delle possibili strategie per affrontarle.

Dalla creazione delle università moderne, la conoscenza scientifica è stata organizzata e segmentata in discipline, il cui numero non ha fatto che crescere nel tempo in parallelo con la crescente specializzazione del sapere. Tale proliferazione deriva anche dalle attività di un numero sempre maggiore di studiosi le cui ricerche hanno ridisegnato i contorni delle discipline di appartenenza, e ne hanno talvolta create di nuove (come la biochimica, le neuroscienze) utili per affrontare problematiche emergenti.

La scienza moderna si trova oggi a doversi confrontare con questioni globali complesse – dal cambiamento climatico alle diseguaglianze sociali – che hanno modificato e stanno modificando il panorama della ricerca scientifica, portandola ad operare in contesti di indagine che non possono essere affrontati entro i confini di una singola disciplina. Inoltre, l’esigenza di formulare soluzioni pratiche e risolvere problemi richiede di sviluppare anche la dimensione applicativa del sapere, naturalmente orientata a produrre concrete ibridazioni sul campo tra diversi saperi e tecniche. Infine, l’avvento delle tecnologie digitali e della conseguente produzione di grandi quantità di dati e informazioni ha imposto a più discipline di confrontarsi collaborativamente nell’analisi e nell’interpretazioni di queste nuove fonti. In questo contesto, le sfide poste dalle nuove questioni ambientali e dal raggiungimento degli SDG sono ambiti in cui la rigidità dei confini disciplinari deve essere controbilanciata dall’integrazione e collaborazione a livello concettuale, metodologico ed epistemologico tra diverse discipline, ovvero adottando un approccio transdisciplinare.

Il termine «transdisciplinarità» è stato inizialmente introdotto nel 1970 in occasione di un seminario dallo psicologo svizzero Jean Piaget che poneva l’attenzione, con il prefisso «trans», sul superamento dei confini disciplinari piuttosto che sulla semplice giustapposizione di differenti saperi delineata dal concetto di «multidisciplinarità» (Piaget 1972). Nel tempo il termine è stato sempre più utilizzato e nel 1994 il fisico Basarab Nicolescu, il filosofo Edgar Morin e il pittore e scrittore Lima de Freitas elaborarono Il Manifesto della Transdisciplinarità (Nicolescu 2014). La transdisciplinarità va intesa non come nuova disciplina o una superdisciplina (Klein 2004), quanto piuttosto come un paradigma di ricerca e di soluzione dei problemi che consente di creare ponti e relazioni tra diverse aree di conoscenza e diversi saperi, risultando in un mutuo arricchimento degli stessi ed in certi casi anche nella nascita di nuove aree disciplinari (Knapp et al. 2019) (Fig. 6.1).

Figura 6.1 – Rappresentazione della interdisciplinarità. Fonte: Adattamento da Tress, Tress, e Fry 2006, 16.

La CS può essere considerata una pratica di ricerca naturalmente votata ad essere transdisciplinare, in quanto per sua natura si fonda sulla collaborazione tra diversi saperi e settori, coinvolgendo non solo le scienze naturali, ma anche le scienze sociali e umanistiche, e sulla partecipazione tra scienziati professionisti e non, riducendo la distanza tra la scienza e la società. Inoltre, il suo potere trasformativo, riferito alla sua capacità di influenzare positivamente la ricerca scientifica e la società, facilita sia l’attuazione di cambiamenti proattivi che la gestione delle trasformazioni in corso. Infatti, nei contesti applicativi dei progetti volti alla risoluzione di problemi legati alle questioni ambientali più svariate, essa permette di affrontare problemi complessi con risposte integrate che possono influenzare le discipline scientifiche, la società civile e le politiche.

In questa sede consideriamo la transdisciplinarità della CS sotto diversi punti di vista, partendo dal presupposto che, per quanto la CS sia una pratica di ricerca spiccatamente transdisciplinare, vi sono aspetti che ne limitano tale qualità (Albert et al. 2023). Vediamo come la transdisciplinarità si manifesta nella CS e quali criticità ed ostacoli si possono manifestare:

La potenziale transdisciplinarità della CS rende pertanto possibile affrontare sfide scientifiche complesse che richiedono approcci integrati e un’ampia varietà di competenze. In sostanza, la CS rappresenta un esempio eccellente di come la scienza possa beneficiare di un approccio transdisciplinare e collaborativo allo stesso tempo, dove i confini tra le discipline sfumano per meglio affrontare sfide globali complesse, dal cambiamento climatico alla gestione delle risorse naturali, dalla salute mentale alle questioni di genere, dalla pianificazione urbana al monitoraggio degli SDG.

Figura 6.2 – Produzione scientifica derivante da progetti di CS per settore disciplinare (2000-2024). Fonte: elaborazione degli autori su dati Scopus 2024.

La CS si configura come un importante strumento di supporto per la formulazione, implementazione e valutazione delle policy grazie al coinvolgimento dei diversi stakeholder e alla produzione di dati e informazioni. In particolare, l’utilizzo delle informazioni prodotte dai cittadini permette di sviluppare politiche basate su dati empirici (o data-driven) e di ridurre il divario tra istituzioni e cittadini (Turrini 2018; Schade et al. 2021; Certomà, Corsini, e Rizzi 2015). Proprio perché le problematiche attuali hanno implicazioni globali e si sviluppano tipicamente su lunghe scale temporali, i dati della CS possono anche essere un mezzo per affrontare i limiti dei dati prodotti da programmi di monitoraggio tradizionali (a scala ridotta) per consentire la valutazione degli impatti di una decisione politica a più scale, e lungo un arco temporale più esteso.

Nel panorama attuale della CS, molte iniziative sono state avviate con l’obiettivo di sostenere l’attuazione delle politiche. Ad esempio, diversi progetti di monitoraggio sono stati determinanti per l’individuazione di aree protette (ad esempio, eBird), mentre altri hanno contribuito ad una migliore comprensione delle problematiche ambientali e degli strumenti che possono facilitare un cambiamento delle pratiche sociali. Ancora più significativo è il fatto che la partecipazione dei volontari abbia contribuito all’applicazione di normative e regolamenti, ad esempio segnalando alle autorità competenti violazioni ed anomalie. L’insieme di questi esempi sottolinea che la CS può contribuire a rafforzare il contributo pubblico al processo decisionale e ad ampliare i corredi scientifici necessari per pervenire a decisioni politiche più informate.

Tuttavia, la variabilità della qualità dei dati raccolti, la mancanza di standardizzazione e le resistenze da parte delle istituzioni di integrarli in modo non convenzionale all’interno dei processi decisionali, rappresentano ostacoli significativi alla più completa integrazione della CS nelle politiche pubbliche. Una recente indagine ha rilevato che la maggior parte dei progetti di CS non riesce ad esprimere appieno il proprio potenziale in ambito politico in funzione di una sorta di paradosso: alcune istituzioni governative hanno esigenze specifiche di dati (anche provenienti dalla CS), ma si affidano interamente a soggetti esterni, mentre molti progetti di CS non sono consapevoli di questioni politiche che potrebbero affrontare con i propri dati (Turbé et al. 2019). Sempre secondo la stessa rilevazione, i responsabili dei progetti hanno segnalato difficoltà nell’individuare i bisogni politici pertinenti, nel connettersi con i decisori e nel convincerli del valore dei dati della CS. In particolare, in alcuni casi è emersa anche la difficoltà di adattare obiettivi e target internazionali al contesto locale. Inoltre, l’agenda scientifica e quella politica non sempre si allineano con le tempistiche della raccolta e produzione dei dati da parte dei citizen scientist.

Sebbene la partecipazione dei cittadini possa arricchire la ricerca scientifica con una maggiore varietà e tempestività di dati, resta ancora aperta la questione della proprietà intellettuale dei risultati scientifici prodotti attraverso la CS: mentre alcuni progetti adottano licenze Open Access, altri mantengono restrizioni sui diritti di utilizzo dei dati impendendone, dunque, una più ampia fruizione (Guerrini et al. 2018).

È anche possibile che alcuni contributi offerti dalla CS per le politiche rimangano inosservati a causa delle complesse connessioni tra evidenze scientifiche e decisioni politiche. Quando le connessioni vengono stabilite con chiarezza, i progetti di CS possono avere un impatto maggiore e i responsabili politici possono dimostrare di aver preso in considerazione i contributi pubblici, tenendo conto che stabilire collegamenti con le politiche è spesso un processo lungo e complesso e che la rilevanza di un progetto per la politica può essere indiretta e richiedere connessioni su più livelli.

In questo contesto si osserva comunque che, in tempi recenti, diverse istituzioni politiche hanno iniziato a sviluppare strategie per favorire l’integrazione della CS nella formulazione di politiche pubbliche. Ad esempio, la Commissione Europea ha promosso iniziative per incentivare la raccolta partecipativa di dati nell’ambito della Biodiversity Strategy 2030 e per il monitoraggio dell’inquinamento atmosferico, in questo modo garantendo anche un supporto istituzionale alla CS. Come illustrato dall’Eurobarometer on Science, Technology and Society (2021) l’interesse per la partecipazione allo sviluppo della scienza è presente ampiamente in tutta Europa, favorendo un maggiore sostegno da parte dei governi per lo sviluppo e l’utilizzo della CS e l’integrazione ufficiale dei dati generati dai cittadini. Analogamente, negli Stati Uniti, il governo federale ha introdotto programmi che incoraggiano l’uso della CS per migliorare la gestione delle risorse naturali, il monitoraggio dei cambiamenti climatici e della biodiversità (Figueiredo Do Nascimento et al. 2018).

In conclusione, vi è ancora molto da fare per rafforzare il legame e l’apporto della CS alle politiche pubbliche. Questo richiederebbe maggiore chiarezza sulle necessità delle politiche da un lato e la condivisione di buone pratiche, strumenti e metodi per garantire l’affidabilità dei dati dall’altro. In tal modo si potrebbe prefigurare uno scenario in grado di garantire alla CS un riconoscimento formale nei processi decisionali, favorendo una maggiore sinergia tra scienza, società e politica, aumentando l’efficacia delle politiche pubbliche nel rispondere alle sfide attuali.

L’Agenda 2030 per lo Sviluppo Sostenibile è un programma d’azione per le persone, il pianeta e la prosperità sottoscritto dai governi dei 193 Paesi membri dell’ONU nel settembre 2015, anno in cui molti dei processi di maturazione concettuale e politica dei temi legati all’ambiente e alla sostenibilità hanno trovato importanti convergenze.

L’Agenda 2030 definisce 17 Obiettivi per lo Sviluppo Sostenibile (abbreviato in OSS, in inglese Sustainable Development Goals, SDG) e 169 target che occorre perseguire entro il 2030 secondo un quadro strategico che abbraccia tutte le dimensioni della sostenibilità: ambientale, sociale ed economica. Basata su tre principi chiave più volte invocati dalla società civile – essere indivisibile, universale e partecipativa – l’Agenda 2030 traccia un percorso collettivo per ‘non lasciare indietro nessuno’ che richiede una stretta collaborazione tra mondo della ricerca, policy maker, istituzioni e attori non governativi, al fine di accelerare i processi di cambiamento nei comportamenti individuali e collettivi.

Ad oggi, molti obiettivi sono ancora lontani dall’essere raggiunti e vi è consapevolezza che maggiore attenzione va dedicata alle attività di monitoraggio periodico – a diverse scale geografiche – di avanzamenti e/o eventuali arretramenti rispetto agli obiettivi prefissati. Proprio in relazione a quest’ultimo punto, va evidenziato che il quadro complessivo di monitoraggio, i target e le misure statistiche degli SDG sono stati sviluppati sulla base di una metodologia globale condivisa. Tuttavia, le operazioni di calcolo di misure ed indicatori sono possibili solo quando le informazioni statistiche sono effettivamente rese disponibili e accessibili.

In generale, i governi nazionali hanno la responsabilità di reperire, produrre, validare ed organizzare le informazioni necessarie per la misurazione di obiettivi ed indicatori, e parallelamente sono chiamati a predisporre delle relazioni periodiche circa il loro stato di raggiungimento. Un monitoraggio parallelo dovrebbe avvenire a livello subnazionale e locale per garantire la coerenza delle politiche e delle azioni intraprese con i diversi ambiti territoriali, ma anche assicurare la loro efficacia rispetto ad ogni contesto specifico di riferimento.

Le statistiche ufficiali utilizzate si basano in genere su dati raccolti e convalidati dai governi nazionali (ad esempio, attraverso censimenti, indagini ecc.). Tuttavia, le fonti di dati tradizionali non sempre sono sufficienti per la misurazione di tutti gli indicatori SDG definiti dal quadro di monitoraggio internazionale. Spesso si fa dunque uso di indicatori ‘simili’ in altri casi di proxy, in altri casi ancora l’indicatore è semplicemente riportato come ‘mancante’. Questi vacuum esistono non solo perché a volte i dati non sono disponibili o sono costosi da ottenere o produrre, ma perché talvolta le serie di dati ufficiali mancano di accuratezza, di copertura geografica e/o non sono sempre prodotte alla scala geografica adatta per osservare il fenomeno studiato. Inoltre, i dati ufficiali hanno costi di produzione elevati, lunghi periodi di rilascio (si pensi ad esempio al censimento della popolazione) e possono diventare rapidamente obsoleti. È pertanto necessario reperire «fonti di dati nuove e non tradizionali» e la CS può dare un sostanziale contributo in tal senso (Fritz et al. 2019, 922).

Un numero crescente di studi affronta e si interroga sul contributo effettivo e potenziale della CS al monitoraggio e al raggiungimento degli SDG (Fritz et al. 2019; Fraisl et al. 2020; Fraisl, See, Bowers et al. 2023; Sanna et al. 2024). Alcuni studi contribuiscono al dibattito in modo più teorico, mentre altri lo fanno attraverso rassegne specifiche e analisi di casi di studio. La letteratura che esamina il contributo della CS al monitoraggio degli SDG è tuttavia molto frammentaria, spesso basata su casi di studio specifici e legati agli obiettivi a diverse scale territoriali (spesso a scala locale, e relativi a interventi precisi di citizen scientist in luoghi specifici), e dedurre il potenziale di scalabilità di queste pratiche a scala regionale o nazionale è particolarmente complesso.

Lo studio di West e Pateman (2017), per esempio, ha sottolineato come la CS possa contribuire alla definizione, al monitoraggio e alla valutazione degli SDG, identificando 42 dei 169 obiettivi a cui la CS potrebbe potenzialmente contribuire. Alcuni studi condotti a livello europeo hanno esaminato i progetti di CS in termini dichiarativi, ovvero desumendo da un’analisi testuale del progetto se venisse letteralmente menzionato un intento a contribuire direttamente al raggiungimento di uno o più SDG (Turbé et al. 2018).

Analogamente, Liu et al. (2023) hanno analizzato 44 progetti attivi tra il 2016 e il 2027 in più di 100 città europee che, grazie ai finanziamenti dell’UE, prevedevano l’uso della CS e presentavano un legame – diretto o indiretto – con gli SDG. Lo studio ha rivelato che le pratiche di CS nelle città riguardano prevalentemente gli SDG 3 (Salute e benessere), 11 (Città e comunità sostenibili) e 13 (Agire per il clima). Tuttavia, esiste una differenza tra ciò che viene dichiarato (nel progetto o dai partecipanti) e ciò che viene ufficialmente utilizzato per il monitoraggio ufficiale.

Tra le iniziative più recenti, di particolare interesse è la creazione nel 2020 del Task Group on Data from Participatory Mapping for the SDGs (CODATA-WDS TG)1. Il progetto ha l’obiettivo di promuovere l’uso dei dati generati dai cittadini per monitorare e raggiungere gli SDG e sfide di carattere universale mediante l’uso trasparente, equo e aperto di dati e informazioni, e attraverso la collaborazione interdisciplinare. Inoltre, il progetto è particolarmente impegnato nel fornire indicazioni alla divisione statistica delle Nazioni Unite sulle caratteristiche, la qualità, l’etica e la sostenibilità dei dati generati dai cittadini.

Nonostante gli sforzi crescenti, ad oggi, solo poche organizzazioni internazionali utilizzano i dati di CS per il monitoraggio e la rendicontazione degli SDG – in particolare la Banca Mondiale, il Programma delle Nazioni Unite per l’ambiente (UNEP), l’ufficio delle Nazioni Unite per la riduzione del rischio di catastrofi (UNISDR), l’Unione internazionale per la conservazione della natura (IUCN) e l’Organizzazione mondiale della sanità (OMS) (Fraisl et al. 2020, 1742; Fraisl, See, Estevez et al. 2023).

Fraisl et al. nel 2020 hanno effettuato una revisione sistematica di un’ampia gamma di progetti di CS, individuando – per ogni obiettivo – se «i dati di almeno un progetto di CS» 1) sono già stati utilizzati per il monitoraggio o la rendicontazione di almeno un indicatore SDG a livello nazionale o globale, 2) potrebbero potenzialmente contribuire o 3) non sono allineati con l’obiettivo (Fraisl et al. 2020, 1738) (Fig. 6.3).

Le risultanze di questo studio approfondito rivelano che i dati della CS stanno già contribuendo direttamente alla stima di soli cinque indicatori, la maggior parte dei quali relativi a questioni ambientali e sociali; nello specifico: 9.1.1 Indice di accesso rurale (RAI); 14.1.1 Indice di eutrofizzazione costiera e densità di detriti di plastica galleggianti; 15.1.2 Copertura da aree protette dei siti importanti per la biodiversità degli ambienti terrestri e di acqua dolce per tipo di ecosistema; 15.4.1 Copertura da aree protette dei siti importanti per la biodiversità degli ambienti montani; 15.5.1 Lista Rossa delle specie minacciate di estinzione (IUCN, Unione internazionale per la Conservazione della Natura 2024).

A questi si aggiungono nuovi progetti e contributi recenti. Secondo il Programma delle Nazioni Unite per l’ambiente (Warner, Elsler, e Christ 2024), al fine di migliorare la produzione e disponibilità dei dati per la stima di indicatori SDG relativi alla qualità delle acque (SDG 6 Garantire a tutti la disponibilità e la gestione sostenibile dell’acqua e dei servizi igienico-sanitari), la Sierra Leone e lo Zambia hanno di recente affiancato, per la prima volta, i dati di monitoraggio nazionali a dati generati dai cittadini. Questo è stato reso possibile impiegando i protocolli sviluppati nell’ambito del progetto The Citizen Scientist 632 Toolbox (Warner, Elsler, e Kreme 2021), con focus specifico sull’indicatore 6.3.2 Percentuale di corpi idrici con una buona qualità ambientale.

Recentemente, sul tema della valutazione e del monitoraggio degli obiettivi di sostenibilità ambientale, il progetto CS4Rivers (cfr. par. 6.5.3), realizzato nel bacino del fiume Ombrone in Toscana, ha dato un importante contributo alla stima dell’indicatore SDG 6.3.2. alla scala locale (ossia di bacino fluviale), offrendo utili indicazioni di policy e costituendo una base informativa che va ad integrare quella prodotta dalla statistica ufficiale. La CS anche in questo caso si è dimostrata un valido strumento per integrare i dati ufficiali disponibili per il monitoraggio degli SDG a scala locale, permettendo di aumentare la risoluzione spaziale e temporale delle osservazioni effettuate delle agenzie pubbliche (Loiselle et al. 2017, Sanna et al. 2024).

In definitiva, nonostante la necessità di realizzare ulteriori e più sistematici studi, risulta evidente che il coinvolgimento dei cittadini reso possibile dalla CS permette alle comunità insediate di incidere maggiormente sulle politiche di gestione del territorio, dimostrando che la CS è un importante strumento per contribuire al monitoraggio e al vero e proprio raggiungimento degli SDG.

Un esempio tra molti delle potenzialità transdisciplinari della CS è ben rappresentato dalla sua applicazione alla pianificazione territoriale e urbana. Come visto in precedenza, la CS contribuisce alla creazione di conoscenza e alla condivisione di saperi locali. In tal senso, le comunità di citizen scientist possono svolgere un ruolo importante, in sinergia con altri stakeholder del territorio, nei processi di pianificazione. Facilitando la raccolta e la condivisione di informazioni e buone pratiche, la CS è in grado di attivare un circolo virtuoso di apprendimento e innovazione sociale che consente alla conoscenza prodotta, sistematizzata e condivisa in seno a progetti di CS, di essere integrata nei processi di pianificazione e gestione del territorio.

In termini pratici, la partecipazione a progetti di CS consente ai citizen scientist sia di co-creare dati, mappe e informazioni di varia natura (il più delle volte resi disponibili in modalità Open Access), sia di partecipare attivamente a tutte le fasi del progetto di CS dando voce alla comunità locale. Di conseguenza, il patrimonio di saperi e conoscenze prodotto può offrire una preziosa fonte informativa per la pianificazione territoriale e urbana, ed indirizzare quell’insieme di azioni e interventi con i quali è determinato e gestito l’assetto e l’organizzazione di un territorio o di una città.

Queste nuove prospettive acquisiscono speciale centralità nella governance e pianificazione delle cosiddette smart city. Nonostante non si riscontri in letteratura un accordo su una definizione univoca di questo costrutto teorico (Albino, Berardi, e Dangelico 2015), la sua affermazione è legata al fatto che la vita dei territori è sempre più determinata dalla presenza di tecnologie e infrastrutture digitali che generano enormi quantità di dati integrabili in modelli di governance (Kitchin 2014a). Tuttavia, l’incorporazione delle tecnologie dell’informazione e della comunicazione (ICT) nelle infrastrutture urbane e territoriali non è considerata sufficiente per rendere una città smart (Hollands 2008). Recentemente, il dibattito sulle smart city si è spostato dalle visioni tecnologiche top-down all’enfasi sul potenziale delle piattaforme e dell’ICT come facilitatori di coinvolgimento comunitario, della partecipazione civica e degli approcci innovativi per affrontare le sfide urbane attraverso l’innovazione civica (Townsend 2013) e lo sviluppo di città «più intelligenti» (Allwinkle e Cruickshank 2011).

La pianificazione e la governance urbana comporteranno infatti approcci sempre più sofisticati e data-driven, che richiederanno sempre maggiori impulsi dal basso per migliorare la loro efficacia. In questo contesto, tanto le iniziative top-down che quelle bottom-up, se integrate a pratiche di CS o ad altri strumenti di partecipazione, potrebbero definire gli adeguati quadri socio-tecnici e politici (Carvalho 2015) in grado di gettare le basi per modelli di smart city il più aperti possibile. Questo perché le informazioni rinvenibili dall’analisi della miriade di dati quotidianamente prodotti, possono fornire approfondimenti sulla vita urbana, aiutando a prendere decisioni sul suo sviluppo e incoraggiando la presa in considerazione di punti di vista alternativi (Kitchin 2014b). Inoltre, questa prospettiva non si limita alla dimensione strettamente urbana, poiché anche la scala territoriale più vasta si trova intrecciata con analoghi processi di interpolazione con gli strumenti digitali ed i dati da essi prodotti (Bonomi e Masiero 2014).

Diversi studi dimostrano come la CS sia in grado di promuovere una pianificazione territoriale e urbana più reattiva e adattiva, in grado di immaginare e sviluppare spazi più efficienti, sostenibili, inclusivi e accessibili, massimizzando l’impegno civico dei citizen scientist, sfruttando l’intelligenza collettiva (cfr. Scheda 4.1) e attivando processi di innovazione sociale (Mueller et al. 2018; Cappa, Franco, e Rosso 2021).

Il potenziale espresso dalla CS nelle iniziative di pianificazione territoriale e urbana può essere esplorato usando due diverse lenti interpretative: 1) la CS ‘per’ la pianificazione come fonte di informazioni e 2) la CS ‘con’ la pianificazione come metodologia di partecipazione e co-progettazione.

La CS e le scienze sociali sono strettamente connesse e si influenzano reciprocamente in diversi modi. La CS rappresenta uno strumento prezioso per le scienze sociali, permettendo ai ricercatori di raccogliere dati su larga scala riguardanti il comportamento umano, fenomeni sociali e dinamiche culturali.

Attraverso l’approccio partecipativo, la CS consente di ampliare la portata e la profondità delle analisi sociali e, allo stesso tempo, le scienze sociali studiano la CS come fenomeno sociale, analizzando il suo impatto sulla società, sull’educazione e sulle politiche pubbliche. I ricercatori delle scienze sociali si interrogano sulle motivazioni che spingono i cittadini a partecipare, sulle implicazioni etiche dei progetti partecipativi, sulla qualità dei dati raccolti e sulle dinamiche di potere e inclusione all’interno della ricerca collaborativa.

Un tratto significativo della relazione tra CS e scienze sociali è la loro comune spinta verso la democratizzazione della conoscenza: entrambe promuovono la partecipazione attiva dei cittadini, rendendo la scienza più accessibile e rilevante per la società. Le applicazioni transdisciplinari di questa interazione sono numerose. Molti progetti di CS si basano su principi delle scienze sociali per affrontare temi come la salute pubblica, la giustizia ambientale, la pianificazione urbana e la gestione delle emergenze.

Fonte: Elaborazione degli autori.

I progetti raccolti in questa sezione spaziano da iniziative di monitoraggio ambientale come Safecast, OpenLitterMap e CS4Rivers, orientate rispettivamente alla misurazione di radiazioni ed inquinanti atmosferici, al monitoraggio di rifiuti e plastiche e alla tutela della biodiversità; a progetti di giustizia sociale come CoAct e Let Girls Map, che promuovono la salute, l’equità e i diritti delle donne. A questi si aggiungono una serie di iniziative orientate a fornire basi informative in tempo reale per instaurare un dialogo con i policy maker su questioni urgenti e rilevanti per il benessere di determinate comunità, come la stima e il monitoraggio dell’inquinamento acustico prodotto da un’infrastruttura di trasporto, per esempio nel caso del London City Airport, o questioni di accessibilità urbana come WeGlad o, ancora, volte al miglioramento dei servizi igienici e sanitari in contesti fragili come CocôZap.

Questa varietà riflette il ruolo cruciale della CS nella co-creazione di conoscenze, integrando dati quantitativi e qualitativi raccolti sul campo con la collaborazione di cittadini e ricercatori. Attraverso strumenti digitali, indagini e attività di sensibilizzazione, questi progetti favoriscono la resilienza delle comunità, contribuiscono a migliorare la governance e catalizzano un impatto sociale tangibile, allineandosi alla cornice di riferimento globale degli SDG.