Toward rigorous use of expert knowledge in ecological research
Notice bibliographique
Résumé
Practicing ecologists who excel at their work (“experts”) hold a wealth of knowledge. This knowledge offers a wide range of opportunities for application in ecological research and natural resource decision‐making. While experts are often consulted ad‐hoc, their contributions are not widely acknowledged. These informal applications of expert knowledge lead to concerns about a lack of transparency and repeatability, causing distrust of this knowledge source in the scientific community. Here, we address these concerns with an exploration of the diversity of expert knowledge and of rigorous methods in its use. The effective use of expert knowledge hinges on an awareness of the spectrum of experts and their expertise, which varies by breadth of perspective and critical assessment. Also, experts express their knowledge in different forms depending on the degree of contextualization with other information. Careful matching of experts to application is therefore essential and has to go beyond a simple fitting of the expert to the knowledge domain. The standards for the collection and use of expert knowledge should be as rigorous as for empirical data. This involves knowing when it is appropriate to use expert knowledge and how to identify and select suitable experts. Further, it requires a careful plan for the collection, analysis and validation of the knowledge. The knowledge held by expert practitioners is too valuable to be ignored. But only when thorough methods are applied, can the application of expert knowledge be as valid as the use of empirical data. The responsibility for the effective and rigorous use of expert knowledge lies with the researchers.
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 | 0,757 | 0,743 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,004 |
| Méta-épidémiologie (sens large) | 0,005 | 0,003 |
| Bibliométrie | 0,020 | 0,010 |
| Études des sciences et des technologies | 0,011 | 0,071 |
| Communication savante | 0,034 | 0,040 |
| Science ouverte | 0,018 | 0,043 |
| Intégrité de la recherche | 0,020 | 0,032 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
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 ».