Spatial Autocorrelation in Ecological Studies: A Legacy of Solutions and Myths
Notice bibliographique
Résumé
A major aim of including the spatial component in ecological studies is to characterize the nature and intensity of spatial relationships between organisms and their environment. The growing awareness by ecologists of the importance of including spatial structure in ecological studies (for hypothesis development, experimental design, statistical analyses, and spatial modeling) is beneficial because it promotes more effective research. Unfortunately, as more researchers perform spatial analysis, some misconceptions about the virtues of spatial statistics have been carried through the process and years. Some of these statistical concepts and challenges were already presented by Cliff and Ord in 1969. Here, we classify the most common misconceptions about spatial autocorrelation into three categories of challenges: (1) those that have no solutions, (2) those where solutions exist but are not well known, and (3) those where solutions have been proposed but are incorrect. We conclude in stressing where new research is needed to address these challenges.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,154 | 0,213 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,008 | 0,006 |
| Études des sciences et des technologies | 0,006 | 0,108 |
| Communication savante | 0,012 | 0,041 |
| Science ouverte | 0,007 | 0,010 |
| Intégrité de la recherche | 0,012 | 0,035 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».