Influences of Experts' Personal Experiences in Fuzzy Logic Modeling of Atlantic Salmon Habitat
Notice bibliographique
Résumé
Abstract The knowledge of scientific experts, which is regularly used in modeling, is acquired by training, education, and practical experiences that modify the experts' perceptions. Using a case study dealing with fish habitat modeling, we investigated the possible influences and potential biases imparted by some of these personal experiences. Thirty salmon experts with different backgrounds and nationalities defined fuzzy sets and fuzzy rules in a fuzzy habitat model of three Atlantic Salmon Salmo salar life stages. Weighted usable area (WUA) curves were calculated for each expert by coupling the fuzzy model with a hydraulic model applied to the Romaine River (Quebec, Canada). Experts were then split into subgroups, and three possible experiential biases were tested: the experts' main geographic region of expertise (Europe versus North America), their primary source of knowledge (fieldwork, scientific literature, or both), and their employment sector (public or private). A confidence interval was calculated around the median WUA curve for each subgroup by bootstrap resampling. A divergence in the confidence intervals (i.e., no overlap) indicated a significant influence of the tested experience. For all three considered life stages, we observed no significant impact of employment sector or knowledge source on modeled WUA. However, the experts' geographic region of expertise had a significant influence on the output of the spawning adult habitat model. Consequently, the use of local expert knowledge in modeling is recommended. Received June 16, 2014; accepted December 1, 2014
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 | 0,009 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».