Cost‐effective variable selection in habitat surveys
Notice bibliographique
Résumé
Summary 1. Researchers usually expect to understand the ecological systems better when they examine more variables. However, we cannot measure everything because time and money are limited, so we need to make difficult choices. Decisions are complicated by the fact that variables are often either uninformative or highly correlated, leading to diminishing returns on information with new variables. Correlated variables and diminishing returns on information per variable can be explicitly incorporated with costs of data collection to design cost‐effective survey programmes. 2. We develop a step‐by‐step quantitative protocol to evaluate the cost‐effectiveness of survey designs under different cost scenarios to help scientists and managers design cost‐effective surveys. We illustrate this protocol using a case study that relates physical stream habitat variables to variation in sockeye salmon spawning populations. 3. We present our protocol by comparing linear regression models containing different combinations of variables representing different survey designs. The steps of the protocol are to (i) eliminate redundant variables, (ii) calculate costs scenarios, (iii) calculate survey performance metrics and (iv) identify and compare a subset of survey designs that maximize effectiveness at a given cost. Survey designs are compared by their ranked performance using R 2 , AICc, average cost‐effectiveness ratio and incremental cost‐effectiveness ratio. 4. Our case study shows diminishing returns on the information provided by the addition of more variables as survey costs increase. The protocol supports the design of cost‐effective monitoring programmes and leads to a general discussion relating changing environmental conditions to survey costs, including the need for clear and measurable objectives, which allow scientific information to be translated into management options.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».