Towards reliable mapping of biosecurity risk: incorporating uncertainty and decision makers' risk aversion.
Notice bibliographique
Résumé
<title>Abstract</title> Pest risk maps are an important source of decision support when devising strategies to minimize introductions of invasive organisms and mitigate their impacts. When possible management responses to an invader include costly or socially sensitive activities, decision makers tend to follow a more certain (i.e. risk-averse) course of action. We present a new mapping technique that assesses pest invasion risk from the perspective of a risk-averse decision maker. We demonstrate the approach by evaluating the likelihood that an invasive forest pest will be transported to one of the continental US states or Canadian provinces in infested firewood that may be carried by visitors to US federal campgrounds. We test the impact of the risk aversion assumption using distributions of plausible pest arrival scenarios generated with a geographically explicit model developed from data documenting camper travel across the study area. Next, we prioritize regions of high and low pest arrival risk via application of two stochastic ordering techniques that employ, respectively, first- and second-degree stochastic dominance rules, the latter of which incorporates the notion of risk aversion. We then identify regions in the study area where incorporating risk aversion changes a region's pest risk value considerably. While both methods identified similar areas of highest and lowest risk, they differed in how they demarcated moderate-risk areas. Each method provides a tractable way to incorporate decision-making preferences into final risk estimates, and thus helps to better align these estimates with particular decision-making scenarios about an organism of concern. Overall, incorporation of risk aversion helps to refine the set of locations that could be confidently targeted for costly inspections and outreach activities.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».