Measurement Error in Fish Lengths: Evaluation and Management Implications
Notice bibliographique
Résumé
ABSTRACT A fundamental aspect of fisheries science is measuring body length. Humans are inherently prone to error despite systems and provisions made to reduce it. We evaluated length measurement error (herein, referred to as “error”) and digit preference from fish studies conducted on the Colorado River and Little Colorado River in Arizona. Empirical error estimates varied among fish species and generally increased with fish size. We identified a digit preference for numbers ending in zero and five, which was exacerbated with larger sizes. Error effects on growth estimates were largest for fish recaptured after a short time, and we suggest guarding against the error phenomenon by removing data from fish captured and recaptured within a minimum of 30 days. Human, situation, and specimen induced error factors are described. Fisheries professionals should be cognizant of error factors, especially in situations when high precision and accuracy are required and results have important management implications. RESUMEN un aspecto fundamental en las ciencias pesqueras es la medición de la talla corporal. Los humanos somos inherentemente propensos a cometer errores pese a los sistemas y medidas preventivas que se utilizan para reducirlos. En este trabajo se evalúa el error asociado a la medición de la talla (en lo sucesivo se le llamará “error”) y la preferencia en el número de dígitos en los estudios ícticos llevados a cabo en el Río Colorado y el Río Coloradito, Arizona. Los estimados empíricos del error variaron entre especies de peces y en general se incrementaron conforme la aumenta la talla de los peces. Se identificaron preferencias en cuanto al número de dígitos para los números con terminación cero y cinco, lo cual se amplificó en los peces más grandes. Los efectos del error en las estimaciones de crecimiento fueron más grandes en el caso de los peces recién recapturados. Se sugiere tratar el fenómeno del error mediante la remoción de los datos provenientes de peces recapturados en los primeros 30 días después de su liberación. Se describen los factores de error humano, de medición y asociado al espécimen. Los profesionales de las pesquerías deben ser conscientes de los factores de error, especialmente en situaciones en las que se requieren precisión y exactitud y cuando hay implicaciones importantes para el manejo.
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 | 0,000 | 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) | 0,014 | 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 ».