Evidence‐based tool surpasses expert opinion in predicting probability of eradication of aquatic nonindigenous species
Notice bibliographique
Résumé
The main objective of evidence-based management is to promote use of scientific data in the decision-making process of managers, with data either complementing or replacing expert knowledge. It is expected that this will increase the efficiency of environmental interventions. However, the relative accuracy and precision of evidence-based tools and expert knowledge has seldom been evaluated. It is therefore essential to verify whether such tools provide better decision support before advocating their use. We conducted an elicitation survey in which experts were asked to (1) evaluate the influence of various factors on the success of eradication programs for aquatic nonindigenous species and (2) provide probabilities of success for real case studies for which we knew the outcome. The responses of experts were compared with the results and predictions of a newly developed evidence-based tool: a statistical model calibrated with a meta-analysis of case studies designed to evaluate probability of eradication. Experts and the model generally identified the same factors as influencing the probability of success. However, the model provided much more accurate estimates for the probability of eradication than expert opinion, strongly suggesting that an evidence-based approach is superior to expert knowledge in this case. Uncertainty surrounding the predictions of the evidence-based tool was similar to among-expert variability. Finally, a model based on >30 case studies returned more accurate predictions than expert opinion. We conclude that decision-making processes based on expert judgment would greatly benefit from incorporating evidence-based tools.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,000 |
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 tête enseignante, 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 ».