Big data opportunities and challenges for assessing multiple stressors across scales in aquatic ecosystems
Notice bibliographique
Résumé
Aquatic ecosystems are under threat from multiple stressors, which vary in distribution and intensity across temporal and spatial scales. Monitoring and assessment of these ecosystems have historically focussed on collection of physical and chemical information and increasingly include associated observations on biological condition. However, ecosystem assessment is often lacking because the scale and quality of biological observations frequently fail to match those available from physical and chemical measurements. The advent of high-performance computing, coupled with new earth observation platforms, has accelerated the adoption of molecular and remote sensing tools in ecosystem assessment. To assess how emerging science and tools can be applied to study multiple stressors on a large (ecosystem) scale and to facilitate greater integration of approaches among different scientific disciplines, a workshop was held on 10–12 September 2014 at the Sydney Institute of Marine Sciences, Australia. Here we introduce a conceptual framework for assessing multiple stressors across ecosystems using emerging sources of big data and critique a range of available big-data types that could support models for multiple stressors. We define big data as any set or series of data, which is either so large or complex, it becomes difficult to analyse using traditional data analysis methods.
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 | 0,061 | 0,113 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,008 | 0,013 |
| Études des sciences et des technologies | 0,003 | 0,009 |
| Communication savante | 0,012 | 0,023 |
| Science ouverte | 0,005 | 0,009 |
| Intégrité de la recherche | 0,006 | 0,010 |
| 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 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 ».