Sfetcu, Nicolae (2024), Importanța cercetării big data, IT & C, 3:4, 3-12, DOI: 10.58679/IT46708, https://www.internetmobile.ro/importanta-cercetarii-big-data/

The Importance of Big Data Research

Abstract

There is uncertainty regarding user intentions and expectations, and these conceptual deficiencies in the context of big data research led to uncertainties regarding the need for informed consent. Understanding and using this complex and dynamic data ecosystem is impossible without dedicated research. Researchers investigate various aspects of data collection, storage, processing and analysis, seeking to develop new tools, methods and algorithms that can extract meaning from such enormous data sets.

Keywords: research, big data, big data processing, big data analysis, ethics, privacy, security

Rezumat

Există o incertitudine în ceea ce privește intențiile și așteptările utilizatorilor, iar aceste deficiențe conceptuale în contextul cercetărilor big data conduc la incertitudini  în ceea ce privește necesitatea consimțământului informat. Înțelegerea și utilizarea acestui ecosistem de date complex și dinamic este imposibil fără cercetare dedicată. Cercetătorii investighează diverse aspecte ale colectării, stocării, procesării și analizei datelor, căutând să dezvolte noi instrumente, metode și algoritmi care pot extrage semnificație din astfel de seturi de date enorme.

Cuvinte cheie: cercetare, big data, prelucrarea big data, analiza big data, etica, confidențialitate, securitate

IT & C, Volumul 3, Numărul 4, Decembrie 2024, pp. 3-12
ISSN 2821 – 8469, ISSN – L 2821 – 8469, DOI: 10.58679/IT46708
URL: https://www.internetmobile.ro/importanta-cercetarii-big-data/
© 2024 Nicolae Sfetcu. Responsabilitatea conținutului, interpretărilor și opiniilor exprimate revine exclusiv autorilor.

Importanța cercetării big data

Ing. fiz. Nicolae SFETCU[1], MPhil

nicolae@sfetcu.com

[1] Cercetător – Academia Română – Comitetul Român de Istoria și Filosofia Științei și Tehnicii (CRIFST), Divizia de Istoria Științei (DIS), ORCID: 0000-0002-0162-9973

Introducere

În lumea de astăzi, cantitatea mare de informații generate în fiecare secundă de la diferite platforme digitale, senzori, dispozitive și multe altele este denumită ”big data” („megadate”). Acest imens flux de date provine din surse precum rețelele sociale, tranzacțiile de comerț electronic, dispozitivele IoT și cercetarea științifică. Valoarea potențială a acestor date constă în capacitatea lor de a stimula inovația, de a face predicții și de a îmbunătăți procesul decizional în diferite sectoare.

Cercetările big data sunt ceea ce eticianul James Moor ar numi „harababura conceptuală” datorită ”incapacității de a conceptualiza în mod corect valorile etice și dilemele de joc într-un context tehnologic nou.” (Buchanan and Zimmer 2018) În această situație confidențialitatea este asigurată printr-o combinație de diferite tactici și practici (medii controlate sau anonime, limitarea informațiilor personale, anonimizarea datelor, restricții de acces, securizarea datelor, etc.). În general, toate noțiunile conexe devin confuze în cazul Big Data. Astfel, postările sociale sunt considerate publice în rețelele sociale în cazul unei setări corespunzătoare. Dar rețelele sociale sunt medii complexe de interacțiuni socio-tehnice unde utilizatorii nu înțeleg întotdeauna funcționalitatea setărilor și termenii de utilizare. Astfel, există o incertitudine în ceea ce privește intențiile și așteptările utilizatorilor, iar aceste deficiențe conceptuale în contextul cercetărilor big data conduc la incertitudini  în ceea ce privește necesitatea consimțământului informat. Transformarea datelor mari în informații utile necesită cercetări riguroase, algoritmi avansați și noi tehnologii.

Natura big data

Big data se caracterizează prin „3 V”: volum, viteză și varietate. Volumul se referă la cantitatea mare de date produse, cum ar fi miliardele de postări pe rețelele sociale sau terabyte de date de la senzori colectate zilnic. Viteza denotă viteza cu care datele sunt generate și trebuie procesate, în special în aplicații în timp real, cum ar fi tranzacțiile financiare sau sistemele de vehicule autonome. Varietatea reflectă diversele tipuri de date – structurate, semistructurate și nestructurate – de la date numerice la imagini, text și chiar video.

Înțelegerea și utilizarea acestui ecosistem de date complex și dinamic este imposibil fără cercetare dedicată. Cercetătorii investighează diverse aspecte ale colectării, stocării, procesării și analizei datelor, căutând să dezvolte noi instrumente, metode și algoritmi care pot extrage semnificație din astfel de seturi de date enorme.

Studiile de date critice în Big Data reflectă practicile, culturile, politica și economiile specifice. (Dalton, Taylor, and Thatcher 2016) Problemele pot varia de la intimitatea și autonomia indivizilor la etica științei datelor și schimbările instituționale datorate cercetărilor Big Data. Rezultă necesitatea de a analiza practicile Big Data conștiente de relațiile de putere, prejudecăți și inegalități.

O definiție care ar restrânge cercetarea critică la domeniul teoriei normative și critice ar fi contraproductivă.

Domenii cheie în cercetarea big data

Principiile comune ale studiilor de date critice evidențiază interdependențele dintre tehnologiile emergente și actorii (umani) din societățile din ce în ce mai bine prezentate. Big Data sunt și un produs al condițiilor socio-tehnice contemporane, deoarece sunt producătoare de astfel de condiții. (Richterich, 2018)

Domeniul studiilor de știință și tehnologie (STS) are o relație destul de ambiguă cu evaluările normative ale tehnologiei.

În STS, anumite componente sunt preocupate mai mult de abordările descriptive decât de cele normative.

Spre deosebire de idealul STS comun al unui relativism „fără valoare”, (Pels 1996, 277) Pels solicită recunoașterea „pozițiilor a treia” în evaluările producției de cunoștințe științifice care ” [… ] nu sunt exterioare domeniului de controversă studiat, ci sunt incluse și implicate în acesta. […] Ele nu sunt libere de valoare sau dispărute, ci sunt situate, parțial și comise în sens politic și de cunoaștere.” (Pels 1996)

Gestionarea și stocarea datelor

Una dintre cele mai timpurii provocări în cercetarea datelor mari este stocarea eficientă a seturilor de date vaste. Bazele de date tradiționale nu au fost concepute pentru a gestiona petaocteți sau chiar exaocteți de informații. Cercetările în sistemele de stocare distribuite precum Hadoop și soluțiile de stocare în cloud au fost esențiale în depășirea acestui obstacol. Cercetătorii inovează în mod constant pentru a îmbunătăți scalabilitatea, toleranța la erori și eficiența sistemelor de stocare a datelor. Odată cu preocuparea tot mai mare pentru securitatea datelor și confidențialitatea, tehnicile de criptare și metodele de control al accesului sunt, de asemenea, un domeniu critic al cercetării în curs.

Prelucrarea și analiza datelor

Odată ce datele sunt stocate, acestea trebuie procesate pentru a genera informații. Cercetarea în analiza datelor mari se concentrează pe crearea de algoritmi și instrumente care pot procesa și analiza eficient seturi de date mari. Un instrument binecunoscut este Apache Spark, un cadru conceput pentru procesarea datelor în timp real. Cercetătorii continuă să exploreze cum să optimizeze aceste cadre pentru viteză și acuratețe. Un alt obiectiv major este dezvoltarea tehnicilor de învățare automată (ML) și inteligență artificială (AI), care sunt cruciale pentru descoperirea tiparelor ascunse în date. Cercetările în domeniul învățării profunde, al procesării limbajului natural (NLP) și al rețelelor neuronale extind posibilitățile a ceea ce poate realiza analiza big data.

Exploatarea datelor și recunoașterea modelelor

Exploatarea datelor implică descoperirea de modele, corelații și anomalii în seturi mari de date. Acest lucru este esențial în sectoare precum asistența medicală, finanțele și marketingul, unde tiparele pot duce la informații utile. De exemplu, extragerea datelor în asistența medicală ar putea dezvălui modele în simptomele și rezultatele pacientului, permițând diagnosticarea predictivă. Cercetătorii din acest domeniu dezvoltă continuu noi algoritmi pentru gruparea, clasificarea și extragerea regulilor de asociere pentru a îmbunătăți acuratețea și eficiența acestor procese. Cu complexitatea datelor nestructurate, cum ar fi textul sau imaginile, progresele în AI și învățarea profundă au făcut progrese semnificative în îmbunătățirea recunoașterii modelelor.

Scalabilitate și calcul de înaltă performanță

Pe măsură ce seturile de date cresc, crește și cererea de putere de calcul. Cercetarea în sistemele de calcul scalabile și în calculul de înaltă performanță joacă un rol crucial în a permite procesarea datelor la scară largă într-un interval de timp rezonabil. Tehnici precum calculul paralel, procesarea în memorie și sistemele distribuite permit gestionarea sarcinilor de lucru mari de date pe mai multe noduri sau servere. Cercetătorii lucrează, de asemenea, la optimizarea hardware-ului, cum ar fi GPU-urile (Unități de procesare grafică), care sunt mai potrivite pentru tipul de sarcini de procesare paralelă pe care le solicită datele mari.

Experimentele științifice au tendința de a analiza datele utilizând clustere specializate și computere de înaltă performanță, mai degrabă decât cloud, diferind astfel cultural și tehnologic de restul societății.

Utilizarea Big Data, datorită manipulării cantităților mari de date, a dus la neglijarea principiilor științei, precum alegerea eșantioanelor reprezentative, determinând prejudecăți în analiza rezultatelor. Această analiză este adesea superficială în comparație cu analiza seturilor mai mici de date. (Piatetsky 2014) Unele surse de date, precum Twitter, nu sunt reprezentative pentru populația totală. Ioannidis a susținut că în folosirea Big Data, „cele mai multe rezultate publicate în cercetare sunt false” (Ioannidis 2005)  întrucât probabilitatea ca un rezultat „semnificativ” să fie fals crește rapid cu volumul datelor, dar sunt publicate doar rezultatele pozitive.

Etica și confidențialitatea datelor

Pe măsură ce sunt colectate mai multe date, în special informații personale și sensibile, preocupările etice și problemele de confidențialitate ajung în prim-plan. Cercetările privind guvernarea datelor, tehnicile de anonimizare și practicile etice de colectare a datelor urmăresc să atingă un echilibru între inovare și protecția drepturilor persoanelor. Odată cu creșterea reglementărilor, cum ar fi Regulamentul general privind protecția datelor (GDPR) în Europa, asigurarea conformității, utilizând în continuare big data în mod eficient, a devenit o provocare critică în cercetare. Tehnici precum confidențialitatea diferențială și învățarea federată sunt explorate pentru a permite utilizarea datelor fără a compromite confidențialitatea.

Susținătorii protejării vieții private sunt îngrijorați de amenințarea la adresa vieții private datorită creșterii volumului de stocare și integrare a informațiilor de identificare personală. În acest sens, există diferite recomandări politice pentru a conforma practica și viața privată. (Ohm 2012) Folosirea abuzivă a Big Data de mass-media, companii și chiar guvern a dus la pierderea încrederii în instituțiile sociale. Pentru a proteja libertățile individuale, Nayef Al-Rodhan consideră că este necesar un nou tip de contract social, cu monitorizarea și reglementarea mai atentă a Big Data. (Al-Rodhan 2018)

În utilizarea Big Data, UK Data Service evidențiază mai multe probleme etice specifice: (UK Data Service 2017)

• Au apărut alternative la consimțământul individual informat, de exemplu „consimțământul social”, mult mai permisive.
• A crescut necesitatea respectării sursei datelor și, în general, „integritatea contextuală”, în cazul reutilizării datelor.
• Etica de cercetare se bazează în principal pe ideea că entitatea cercetată este o persoană individuală, deci ar fi posibilă de-identificarea pentru protejare. În cazul considerării unui grup ca un întreg, protecția socială scade. În acest caz s-a propus ca datele să fie considerate ca „beneficii publice” sau de „interes public”, dar aceasta nu rezolvă responsabilitatea utilizatorii datelor.

Indiferent de normele etice sau legale oamenii de știință trebuie să fie riguroși în utilizarea tehnicilor și metodologiilor, și foarte precauți în probleme de etică. Ideea că „datele sunt deja publice” (Zimmer 2016) sunt simplificări nejustificate. Datele nu sunt ceva abstract, ele sunt de fapt persoane reale.

Cercetarea responsabilă a Big Data nu vizează restrângerea cercetării, ci asigurarea încrederii, corectitudinii și maximizării aspectelor pozitive, reducând în același timp răul. Big Data oferă oportunități fantastice pentru a înțelege mai bine societatea și lumea, dar trebuie să se țină cont și de responsabilitatea eticii în alegerile, practicile și acțiunile cercetărilor.

Vizualizare și interpretare

Odată ce datele au fost procesate, provocarea finală este interpretarea rezultatelor într-un mod semnificativ și acționabil. Instrumentele și tehnicile de vizualizare permit utilizatorilor să înțeleagă seturi de date complexe prin reprezentări grafice precum diagrame, grafice și tablouri de bord. Cercetarea în vizualizarea datelor se concentrează pe îmbunătățirea modului în care seturile de date vaste și complexe sunt prezentate în moduri care sunt intuitive și ușor de înțeles. Acest domeniu include și cercetarea sistemelor de vizualizare interactivă care permit utilizatorilor să manipuleze datele în timp real și să exploreze diferite scenarii.

Provocări în cercetarea big data

În timp ce cercetarea în big data este foarte promițătoare, se confruntă și cu câteva provocări semnificative:

Calitatea datelor: fiabilitatea și acuratețea datelor mari sunt adesea compromise din cauza prezenței zgomotului, a datelor lipsă sau a inconsecvențelor. Cercetările privind îmbunătățirea metodelor de curățare, imputare și control al calității datelor sunt în curs de desfășurare.

Scalabilitate: pe măsură ce cantitatea de date continuă să crească exponențial, scalabilitatea algoritmilor și a infrastructurii devine o provocare mereu prezentă. Cercetătorii caută în mod constant modalități de a face sistemele mai scalabile, menținând în același timp performanța.

Complexitate interdisciplinară: big data acoperă mai multe discipline, necesitând expertiză în informatică, statistică, cunoștințe specifice domeniului și multe altele. Cercetarea eficientă trebuie să pună în legătură aceste domenii diverse, care pot fi complexe și consumatoare de resurse.

Securitate: Odată cu cantitatea crescută de date sensibile procesate, securitatea este o preocupare majoră. Cercetarea privind criptarea robustă, controlul accesului și mecanismele sigure de partajare a datelor este esențială pentru menținerea încrederii și securității.

O problemă majoră în Big Data este că nu se cunosc prea bine micro-procesele empirice care stau la baza apariției caracteristicilor lor tipice de rețea. (Snijders, Matzat, and Reips 2012) Big Data trebuie întotdeauna contextualizate în contextele sociale, economice și politice ale acestora. (Graham 2012)

Prin noile concepte de „daune algoritmice”, „analize predictive”, etc., algoritmii folosiți în prezent în operațiunile big data depășesc viziunea tradițională a confidențialității. Conform Consiliului Național pentru Știință și Tehnologie al SUA,

””Algoritmii analitici” sunt algoritmi pentru prioritizare, clasificare, filtrare și predicție. Utilizarea acestora poate crea probleme de confidențialitate atunci când informațiile utilizate de algoritmi sunt inadecvate sau inexacte, atunci când apar decizii incorecte, atunci când nu există mijloace rezonabile de recurs, atunci când autonomia unui individ este direct legată de rezultatul algoritmic sau atunci când folosirea algoritmilor predictivi încurajează alte daune asupra vieții private.” (NSTC (National Science and Technology Council) 2016, 18)

Impactul cercetării big data

Asistența medicală: În domeniul sănătății, cercetarea datelor mari a permis progrese în analiza predictivă, medicina personalizată și genomica. Analizând seturi vaste de date din dosarele pacienților, studiile clinice și informațiile genetice, cercetătorii pot identifica tendințele care îmbunătățesc diagnosticul, tratamentul și prevenirea.

Finanțe: Onstituțiile financiare folosesc datele mari pentru a detecta frauda, ​​a evalua riscurile de credit și pentru a prognoza tendințele pieței. Cercetarea în tranzacționarea algoritmică, analiza riscului în timp real și tehnologiile blockchain revoluționează sectorul financiar.

Retail și marketing: Big data permite companiilor să înțeleagă mai bine comportamentul consumatorilor prin analiza modelelor de cumpărare, comportamentului online și feedback. Acest lucru a condus la strategii de marketing extrem de personalizate, servicii îmbunătățite pentru clienți și lanțuri de aprovizionare optimizate.

Planificarea urbană și orașele inteligente: Cercetarea în big data este esențială pentru dezvoltarea orașelor inteligente, unde datele de la senzori, camere și servicii publice sunt folosite pentru a optimiza condițiile de viață urbane, de la gestionarea traficului până la eficiența energetică.

Știința mediului: Big data este folosită pentru a monitoriza schimbările climatice, a analiza modelele meteorologice și a gestiona resursele naturale. Cercetarea în prelucrarea datelor de mediu este cheia pentru a face predicții și a planifica răspunsuri la provocările globale de mediu.

Matthew Zook et al. propune „zece reguli simple” etice în utilizarea Big Data în cercetare. (Zook et al. 2017) Primele cinci reguli privesc modul de reducere a șanselor de vătămare care rezultă din practicile de cercetare, iar celelalte reguli se referă la cele mai bune practici.

1. Datele sunt oameni și pot face rău: majoritatea datelor reprezintă sau influențează oamenii. Începeți cu presupunerea că datele sunt persoane (până când se dovedește altfel) și ghidați-vă analiza pe această bază.
2. Confidențialitatea este mai mult decât o valoare binară: confidențialitatea depinde de natura datelor, contextul în care au fost create și obținute, și de așteptările și normele celor afectați. Ea se extinde la grupuri. Contextualizați datele pentru a anticipa încălcarea confidențialității și pentru a minimiza daunele.
3. Evitați reidentificarea datelor dvs.: de multe ori nu se reușește anonimizarea eficientă a datelor. Datele considerate a fi anonime sunt combinate cu alte variabile care pot duce la re-identificare.  Identificați vectorii posibili de reidentificare și minimizați-i în rezultatele publicate.
4. Practicați schimbul de date etice: Pentru unele proiecte, precum în genetică, schimbul de date este o necesitate socială, dar rămân în continuare valabile consimțământul informat și de dreptul de retragere. Partajați datele respectând protocoalele de cercetare, dar țineți cont de daunele potențiale generate de datele colectate informal.
5. Luați în considerare punctele tari și limitele datelor dvs.; mai mare nu înseamnă automat mai bine: seturile de date trebuie fundamentate în contextul lor adecvat, ținând cont inclusiv de conflictele de interese. În achiziția datelor, este important să se înțeleagă sursa datelor, și să se respecte reglementările. În medii cu reglementare slabă, pot fi folosite normele etice. Cercetătorii trebuie să fie sensibili la semnificațiile multiple potențiale ale datelor. Documentați proveniența și evoluția datelor.
6. Dezbateți alegerile dure, etice: trebuie să se evite lipsa soluțiilor clare și a protocoalelor. Astfel de dezbateri pot produce evaluări inter pares foarte utile. Se pot utiliza serviciile de consultare în domeniul eticii de cercetare din universități. Implicați-vă colegii și studenții în practica etică pentru o cercetare de mare amploare a Big Data.
7. Elaborați un cod de conduită pentru organizația dvs., comunitatea de cercetare sau industria: „etica falsă”, ca și falsificarea datelor sau rezultatelor, sunt inacceptabile. Este necesară elaborarea de coduri de conduită, care pot oferi îndrumări în evaluarea reciprocă a publicațiilor și în examinarea finanțării. Stabiliți codurile adecvate de conduită etică, împreună cu reprezentanții comunităților afectate.
8. Proiectați-vă datele și sistemele pentru audit: auditul furnizează un mecanism de verificare a muncii, sporind înțelegerea și replicabilitatea. Planificați și inițiați audituri ale practicilor Big Data.
9. Implicați-vă cu consecințe mai nari în practicile de date și analiză: este important ca cercetătorii să gândească dincolo de valorile tradiționale. Se poate cere furnizorilor stocarea în cloud, și centrele de prelucrare a datelor pot să treacă la surse de energie durabile și regenerabile. Realizarea unor cercetări de mare amploare are efecte la nivel de societate.
10. Să știți când să încălcați aceste reguli: trebuie să știți la ce să vă așteptați când vă îndepărtați de aceste reguli, precum în situații de dezastru natural sau de urgență. Cercetarea responsabilă a Big Data depinde de mai multe liste de verificare.

Concluzie

Cercetarea în big data este un domeniu dinamic și în evoluție rapidă, cu implicații profunde în toate industriile. Pe măsură ce continuăm să generăm cantități mari de date, cererea pentru abordări inovatoare pentru stocare, procesare, analiză și vizualizare va crește. Cercetarea care se desfășoară astăzi nu abordează doar provocările legate de lucrul cu seturi de date masive și complexe, dar deblochează și noi posibilități pentru a lua decizii bazate pe date, pentru a rezolva problemele din lumea reală și pentru a conduce progresul tehnologic. Pe măsură ce big data devine din ce în ce mai parte integrantă a fiecărei fațete a vieții moderne, importanța cercetării continue nu poate fi minimizată.

Bibliografie

• Al-Rodhan, Nayef. 2018. “The Social Contract 2.0: Big Data and the Need to Guarantee Privacy.” OpenMind. June 11, 2018. https://www.bbvaopenmind.com/en/humanities/beliefs/the-social-contract-2-0-big-data-and-the-need-to-guarantee-privacy-and-civil-liberties/.
• Buchanan, Elizabeth A., and Michael Zimmer. 2018. “Internet Research Ethics.” In The Stanford Encyclopedia of Philosophy, edited by Edward N. Zalta, Winter 2018. Metaphysics Research Lab, Stanford University. https://plato.stanford.edu/archives/win2018/entries/ethics-internet-research/.
• Dalton, Craig M., Linnet Taylor, and Jim Thatcher. 2016. “Critical Data Studies: A Dialog on Data and Space.” In . https://doi.org/10.1177/2053951716648346.
• Graham, Mark. 2012. “Big Data and the End of Theory?” The Guardian, March 9, 2012, sec. News. https://www.theguardian.com/news/datablog/2012/mar/09/big-data-theory.
• Ioannidis, John P. A. 2005. “Why Most Published Research Findings Are False.” PLOS Medicine 2 (8): e124. https://doi.org/10.1371/journal.pmed.0020124.
• NSTC (National Science and Technology Council). 2016. “National Privacy Research Strategy.” https://obamawhitehouse.archives.gov/sites/default/files/nprs_nstc_review_final.pdf.
• Ohm, Paul. 2012. “Don’t Build a Database of Ruin.” Harvard Business Review, August 23, 2012. https://hbr.org/2012/08/dont-build-a-database-of-ruin.
• Pels, Dick. 1996. “The Politics of Symmetry.” Social Studies of Science 26 (2): 277–304. https://doi.org/10.1177/030631296026002004.
• Piatetsky, Gregory. 2014. “Interview: Michael Berthold, KNIME Founder, on Research, Creativity, Big Data, and Privacy, Part 2.” 2014. https://www.kdnuggets.com/2014/08/interview-michael-berthold-knime-research-big-data-privacy-part2.html, https://www.kdnuggets.com/2014/08/interview-michael-berthold-knime-research-big-data-privacy-part2.html.
• Richterich, A. 2018. “The Big Data Agenda: Data Ethics and Critical Data Studies.” https://doi.org/10.16997/book14.b.
• Sfetcu, Nicolae. 2024. “Războiul electronic și inteligența artificială.” MultiMedia. January 8, 2024. https://www.telework.ro/ro/e-books/razboiul-electronic-si-inteligenta-artificiala/.
• Snijders, Chris, Uwe Matzat, and Ulf-Dietrich Reips. 2012. “‘Big Data’: Big Gaps of Knowledge in the Field of Internet Science.” http://www.ijis.net/ijis7_1/ijis7_1_editorial.pdf.
• UK Data Service. 2017. “Big Data and Data Sharing: Ethical Issues.” https://www.ukdataservice.ac.uk/media/604711/big-data-and-data-sharing_ethical-issues.pdf.
• Zimmer, Michael. 2016. “OkCupid Study Reveals the Perils of Big-Data Science.” Wired, May 14, 2016. https://www.wired.com/2016/05/okcupid-study-reveals-perils-big-data-science/.
• Zook, Matthew, Solon Barocas, Danah Boyd, Kate Crawford, Emily Keller, Seeta Peña Gangadharan, Alyssa Goodman, et al. 2017. “Ten Simple Rules for Responsible Big Data Research.” PLOS Computational Biology 13 (3): e1005399. https://doi.org/10.1371/journal.pcbi.1005399.

Articol cu Acces Deschis (Open Access) distribuit în conformitate cu termenii licenței de atribuire Creative Commons CC BY SA 4.0 (https://creativecommons.org/licenses/by-sa/4.0/).