本文介绍了三个案例，分别为教育、公共卫生和政府创新领域，这些组织采用数据科学竞赛来回答紧迫问题，并反思了公开竞赛模式的独特优势。

Jun, 2016

数据科学研究正在经历一场由技术、互联网和不断增长的计算能力驱动的革命。我们在此提出，需要创造性地利用科学研究和算法开发社区作为强大创新的轴心，通过关键评估、社区实验和集众智等方式，让这些社区参与科学发现探索，从而带来发展新的数据驱动、可复现且经过充分基准测试的算法解决方案，来解决当前感兴趣的基础性和应用性问题。通过协调社区参与高度复杂和大规模数据的分析，可以找到最佳应对这些挑战的鲁棒方法学。当社区参与采用竞赛形式，也被称为挑战赛时，分析方法的验证在本质上得到解决，建立了性能基准。最后，挑战赛促进跨学科开放创新，创建能够直接或间接协作解决重要科学差距的社区。通过共同努力，参与者可以解决诸如健康研究、气候变化和社会公正等各种重要问题。最重要的是，挑战赛可以催化和加速将复杂数据合成知识或可执行信息的过程，应被视为一个产生持久社会和研究贡献的强大工具。

Dec, 2023

本文综述了在机器学习中收集和使用数据的许多问题和担忧，并提倡通过更谨慎和深入的数据理解来解决实践和伦理问题。

Dec, 2020

我们提出了基于数据驱动的人道主义研究计划，旨在开发新型数据科学方法，利用人工智能和机器智能为高风险公共政策和韧性规划提供支持，填补当前数据科学缺口，以促进人道主义行动和全球发展。

Sep, 2021

提出了数据驱动的人道主义地图研究计划，旨在开发利用人工智能的新型数据科学方法，以科学的方式帮助改善处于风险群体中的人们的生计，填补缺乏数据科学研究来支持公平的公共政策决策的现状。

Aug, 2021

探索数据科学作为一门学科的元问题，并阐述了建立数据科学研究议程的基础上的十个主意。

Jan, 2020

介绍了如何建立大规模数据集用于机器学习，提出了处理数据瓶颈问题的分类方法，旨在提高社区对这些方法的认识并促进资源的更有效利用。

Nov, 2022

通过对 14 位机器学习从业者的半结构化访谈，发现目前数据文档化方法在性质上往往是临时性和目光短浅的，因此需要一种适应他们的上下文、与他们现有的工具和工作流程相结合、并在可能的情况下自动完成的数据文档化框架的设计要求，以解决现有文档化方法无法满足其需求的问题。

Jun, 2022

面对日益丰富的数据集和强大的数据分析工具的挑战，本研究以数据科学教育社群（DSECOP）为例，探讨了将数据科学整合到本科物理教育中的关键策略和挑战，并为教育工作者提供指导和启发。

Mar, 2024

发展机器学习数据集的方法论和实践经验，涵盖数据准备、集合、质量评估等方面。

Apr, 2024