When “data” are not data: the pitfalls of post hoc analyses that use stock assessment model output
Notice bibliographique
Résumé
The practice of treating stock assessment model output as data in subsequent modeling efforts is becoming more common, aided in part by the growing availability of online repositories of assessment results (misleadingly referred to as “data” bases). Such modeling exercises frequently overlook the uncertainty in the assessment output, the potential bias in estimates and correlation between estimates, and the structural assumptions of the original assessment model. We provide examples of post hoc analyses and discuss the problems in each case. We suggest alternative approaches that could have avoided using assessment model output altogether or suggest analyses that may have exposed the pitfalls of such methods. Whenever possible, we suggest not using stock assessment model output as data in post hoc analyses. If using assessment model output as data is unavoidable, then to address some aspects of the uncertainties associated with using assessment model estimates, we suggest collaborating with lead assessment scientists, sensitivity analyses, errors-in-variables methods, and cross-validation methods. Such additional work is imperative if research that uses stock assessment output as data is to make robust and meaningful contributions to stock assessment methodology and management decisions.
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 | 0,281 | 0,612 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,003 | 0,008 |
| Communication savante | 0,008 | 0,012 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».