Giants' shoulders 15 years later: lessons, challenges and guidelines in fisheries meta‐analysis
Notice bibliographique
Résumé
Abstract Meta‐analysis has been an integral tool for fisheries researchers since the late 1990s. However, there remain few guidelines for the design, implementation or interpretation of meta‐analyses in the field of fisheries. Here, we provide the necessary background for readers, authors and reviewers, including a brief history of the use of meta‐analysis in fisheries, an overview of common model types and distinctions, and examples of different goals that can be achieved using meta‐analysis. We outline the primary challenges in implementing meta‐analyses, including difficulties in discriminating between alternative hypotheses that can explain the data with equal plausibility, the importance of validating results using multiple lines of evidence, the trade‐off between complexity and sample size and problems associated with the use of model output. For each of these challenges, we also provide suggestions, such as the use of propensity scores for dealing with selection bias and the use of covariates to control for confounding effects. These challenges are then illustrated with examples from diverse subfields of fisheries, including (i) the analysis of the stock–recruit relationship, (ii) fisheries management, rebuilding and population viability, (iii) habitat‐specific vital rates, (iv) life‐history theory and (v) the evaluation of marine reserves. We conclude with our reasons for believing that meta‐analysis will continue to grow in importance for these and many other research goals in fisheries science and argue that standards of practice are therefore essential.
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 | 0,471 | 0,678 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,009 | 0,011 |
| Bibliométrie | 0,009 | 0,009 |
| Études des sciences et des technologies | 0,003 | 0,015 |
| Communication savante | 0,015 | 0,022 |
| Science ouverte | 0,011 | 0,008 |
| Intégrité de la recherche | 0,015 | 0,031 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».