Guidelines for developing and updating Bayesian belief networks applied to ecological modeling and conservation
Pourquoi ce travail est-il dans la base ?
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.
Scores machine (provisoires)
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
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.
- Écart entre enseignants
- 0,215 · la distance entre les deux têtes enseignantes sur ce seul travail
- Statut de validation
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 découle
Résumé
Bayesian belief networks (BBNs) are useful tools for modeling ecological predictions and aiding resource-management decision-making. We provide practical guidelines for developing, testing, and revising BBNs. Primary steps in this process include creating influence diagrams of the hypothesized "causal web" of key factors affecting a species or ecological outcome of interest; developing a first, alpha-level BBN model from the influence diagram; revising the model after expert review; testing and calibrating the model with case files to create a beta-level model; and updating the model structure and conditional probabilities with new validation data, creating the final-application gamma-level model. We illustrate and discuss these steps with an empirically based BBN model of factors influencing probability of capture of northern flying squirrels (Glaucomys sabrinus (Shaw)). Testing and updating BBNs, especially with peer review and calibration, are essential to ensure their credibility and reduce bias. Our guidelines provide modelers with insights that allow them to avoid potentially spurious or unreliable models.
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.
La notice
- Revue
- Canadian Journal of Forest Research
- Thématique
- Species Distribution and Climate Change
- Domaine
- Environmental Science
- Établissements canadiens
- —
- Organismes subventionnaires
- —
- Mots-clés
- Bayesian networkCredibilityComputer scienceSpurious relationshipProcess (computing)Machine learningResource (disambiguation)Data miningBayesian probabilityArtificial intelligenceData science
- Résumé présent dans OpenAlex
- oui