TEASIng apart alien species risk assessments: a framework for best practices
Notice bibliographique
Résumé
Some alien species cause substantial impacts, yet most are innocuous. Given limited resources, forecasting risks from alien species will help prioritise management. Given that risk assessment (RA) approaches vary widely, a synthesis is timely to highlight best practices. We reviewed quantitative and scoring RAs, integrating > 300 publications into arguably the most rigorous quantitative RA framework currently existing, and mapping each study onto our framework, which combines Transport, Establishment, Abundance, Spread and Impact (TEASI). Quantitative models generally measured single risk components (78% of studies), often focusing on Establishment alone (79%). Although dominant in academia, quantitative RAs are underused in policy, and should be made more accessible. Accommodating heterogeneous limited data, combining across risk components, and developing generalised RAs across species, space and time without requiring new models for each species may increase attractiveness for policy applications. Comparatively, scoring approaches covered more risk components (50% examined > 3 components), with Impact being the most common component (87%), and have been widely applied in policy (> 57%), but primarily employed expert opinion. Our framework provides guidance for questions asked, combining scores and other improvements. Our risk framework need not be completely parameterised to be informative, but instead identifies opportunities for improvement in alien species RA.
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 | 0,160 | 0,123 |
| Méta-épidémiologie (sens strict) | 0,007 | 0,003 |
| Méta-épidémiologie (sens large) | 0,009 | 0,005 |
| Bibliométrie | 0,033 | 0,016 |
| Études des sciences et des technologies | 0,004 | 0,017 |
| Communication savante | 0,019 | 0,034 |
| Science ouverte | 0,018 | 0,011 |
| Intégrité de la recherche | 0,010 | 0,018 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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; 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 ».