کنترل و تضمین کیفیت اطلاعات مکانی داوطلبانه یک از بزرگترین چالش های پیش روی این نوع از گردآوری اطلاعات مکانی است. روش­ های ارائه شده برای ارزیابی کیفیت اطلاعات مکانی داوطلبانه به صورت کلی شامل دو رویکرد مقایسه‌ این اطلاعات با یک مرجع معتبر و یا روش­ های بدون نیاز به مقایسه با مرجع معتبر می­شود. روش­ های گروه اول نیازمند دسترسی به اطلاعات مرجع هستند که دسترسی به این اطلاعات همواره امکان­پذیر نمی­باشد. روش­ های گروه دوم، یا مثل روش اعتبارسنجی اطلاعات سعی بر به دست آوردن اعتبار اطلاعات بر اساس معیارهای بدست آمده از خود اطلاعات دارند و یا با استفاده از قوانین حاکم بر داده­ ها مثل سازگاری منطقی داده­ ها به ارزیابی کیفیت داده ­ها می­پردازند. در این تحقیق تلاش بر ارائه روشی برای ارزیابی کیفیت اطلاعات مکانی داوطلبانه با استفاده از خصوصیات قابل محاسبه از داده مکانی و بدون نیاز به مقایسه با اطلاعات مرجع گردیده است. این تحقیق با استفاده از خصوصیات قابل محاسبه از داده­ های موجود در شبکه راه­های OpenStreetMap، به صورت خاص به تحلیل میزان دقت دسته­­ بندی خیابان ­ها، به عنوان بخشی از دقت معنایی مربوط به شبکه راه­ ها، می­پردازد. در این تحقیق از درخت تصمیم و شبکه عصبی با ساختار چند لایه برای یادگیری این خصوصیات استفاده گردید. برای تعیین میزان دقت دسته­ بندی بدست آمده، معیار­های دقت و بازخوانی برای هر روش محاسبه شد. درخت تصمیم با دقت وزن­ دار بدست آمده 84٫1٪ نشان­ دهنده یک مدل مناسب برای این روش است. این روش بر اساس اطلاعات قابل استخراج از داده ­ها استوار است و می­تواند برای داده­ های هر شهر دیگری تعمیم و استفاده گردد.