Revisiting resource selection probability functions and single‐visit methods: clarification and extensions
Notice bibliographique
Résumé
Summary Models accounting for imperfect detection are important. Single‐visit (SV) methods have been proposed as an alternative to multiple‐visit methods to relax the assumption of closed population. Knape & Korner‐Nievergelt (Methods in Ecology and Evolution, 2015) showed that under certain models of probability of detection,SVmethods are statistically non‐identifiable leading to biased population estimates. There is a close relationship between estimation of the resource selection probability function (RSPF) using weighted distributions andSVmethods for occupancy and abundance estimation. We explain the precise mathematical conditions needed forRSPFestimation as stated in Lele & Keim (Ecology, 87, 2006, 3021). The identical conditions that remained unstated in our papers onSVmethodology are needed forSVmethodology to work. We show that the class of admissible models is quite broad and does not excessively restrict the application of theRSPFor theSVmethodology. To complement the work by Knape and Korner‐Nievergelt, we study the performance of multiple‐visit methods under the scaled logistic detection function and a much wider set of situations. In general, under the scaled logistic detection function, multiple‐visit methods also lead to biased estimates. As a solution to this problem, we extend theSVmethodology to a class of models that allows use of scaled probability function. We propose a multinomial extension ofSVmethodology that can be used to check whether the detection function satisfies theRSPFcondition or not. Furthermore, we show that if the scaling factor depends on covariates, then it can also be estimated. We argue that the instances where theRSPFcondition is not satisfied are rare in practice. Hence, we disagree with the implication in Knape & Korner‐Nievergelt (Methods in Ecology and Evolution, 2015) that the need forRSPFcondition makesSVmethodology irrelevant in practice.
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 | 0,030 | 0,091 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,003 | 0,008 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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; 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 ».