Il numero di progetti di citizen science (CS) è cresciuto significativamente negli ultimi anni, a causa dei progressi tecnologici. Un aspetto importante per assicurare il successo di un progetto di CS è considerare e affrontare le sfide in questo campo. Due delle principali sfide nei progetti di CS sono sostenere la partecipazione e migliorare la qualità dei dati forniti. Questa tesi indaga su come l'incorporazione del Machine Learning (ML) nei progetti di CS possa aiutare ad affrontare le suddette sfide. Un progetto di CS sulla biodiversità è stato implementato per realizzare questo, con l'obiettivo di raccogliere e convalidare automaticamente le osservazioni, oltre a fornire ai partecipanti un feedback in tempo reale sulla probabilità di osservare una specie in un luogo specifico. I risultati hanno indicato che, da un lato, il filtraggio automatico dei dati semplifica la garanzia della qualità dei dati, e dall'altro, il feedback in tempo reale può aumentare la motivazione dei volontari a continuare a contribuire a un progetto CS.

The number of citizen science (CS) projects has grown significantly in recent years, owing to technological advancements. One important aspect of ensuring the success of a CS project is to consider and address the challenges in this field. Two of the main challenges in CS projects are sustaining participation and improving the quality of contributed data. This thesis investigates how incorporating Machine Learning (ML) into CS projects can help to address the aforementioned challenges. A biodiversity CS project is implemented to accomplish this, with the goal of collecting and automatically validating observations, as well as providing participants with real-time feedback on the likelihood of observing a species in a specific location. The findings indicated that, on the one hand, automatic data filtering simplifies data quality assurance, and on the other, real-time feedback can increase volunteers' motivation to continue contributing to a CS project.