The good(ish), the bad, and the ugly: a tripartite classification of ecosystem trends
Notice bibliographique
Résumé
Abstract Bundy, A., Shannon, L. J., Rochet, M-J., Neira, S., Shin, Y-J., Hill, L., and Aydin, K. 2010. The good(ish), the bad, and the ugly: a tripartite classification of ecosystem trends. – ICES Journal of Marine Science, 67: 745–768. Marine ecosystems have been exploited for a long time, growing increasingly vulnerable to collapse and irreversible change. How do we know when an ecosystem may be in danger? A measure of the status of individual stocks is only a partial gauge of its status, and does not include changes at the broader ecosystem level, to non-commercial species or to its structure or functioning. Six ecosystem indicators measuring trends over time were collated for 19 ecosystems, corresponding to four ecological attributes: resource potential, ecosystem structure and functioning, conservation of functional biodiversity, and ecosystem stability and resistance to perturbations. We explored the use of a decision-tree approach, a definition of initial ecosystem state (impacted or non-impacted), and the trends in the ecosystem indicators to classify the ecosystems into improving, stationary, and deteriorating. Ecosystem experts classified all ecosystems as impacted at the time of their initial state. Of these, 15 were diagnosed as “ugly”, because they had deteriorated from an already impacted state. Several also exhibited specific combinations of trends indicating “fishing down the foodweb”, reduction in size structure, reduction in diversity and stability, and changed productivity. The classification provides an initial evaluation for scientists, resource managers, stakeholders, and the general public of the concerning status of ecosystems globally.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 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 ».