Pre‐screening acoustic and other natural signatures for use in noninvasive individual identification
Notice bibliographique
Résumé
Summary 1.Common ecological tasks, such as wildlife monitoring, adaptive management, and behavioural study, often make use of natural signatures (e.g. animal calls or visual markings) to identify individual animals noninvasively. However, there is no accepted method for pre‐screening candidate natural signatures to select which signatures are the best‐suited for this purpose. In this paper, we suggest a pre‐screening checklist and focus on the challenge of assessing a candidate signature’s individuality. 2.Individuality is critical, as the use of low‐individuality natural signatures can lead to misidentification of individuals and therefore bias estimation of population parameters and population response to management actions. An information‐based metric of individuality could assist researchers with selecting suitable signatures by allowing comparison among candidate signatures and providing an estimate of how many individuals may be reliably discriminated using a particular signature. 3.Before an individuality metric can be used to pre‐screen natural signatures, the metric must first be calculated from preliminary sampling and must be robust to typical sampling concerns. We used field‐collected animal vocalizations as well as simulations to test how robust the metric is to variation in sampling design. 4.We found that the metric is fairly robust to the number of animals sampled and the number of sessions (e.g. calling bouts) analysed, but that it is sensitive to the number of observations per session. 5. Synthesis and applications. Managers and researchers could save time and energy and improve the accuracy of estimates (such as abundance, survival, or population response) based on individual identification by first pre‐screening candidate natural signatures for their individuality. As long as the number of observations per session is controlled, the relative values of the individuality metric can be meaningfully compared. The metric can thus be used as a tool to estimate relative individuality and so facilitates a difficult step in choosing a natural signature for noninvasive individual identification. We include instructions on how to calculate and interpret the individuality metric.
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 | 0,004 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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; 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 ».