On using expert opinion in ecological analyses: a frequentist approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Many ecological studies are characterized by paucity of hard data. Statistical analysis in such situations leads to flat‐likelihood functions and wide confidence intervals. Although, there is paucity of hard data, expert knowledge about the phenomenon under study is many times available. Such expert opinion may be used to strengthen statistical inference in these situations. Subjective Bayesian is one approach to incorporate expert opinion in statistical studies. This approach, aside from the subjectivity, also faces operational problems. Elicitation of the prior is the most difficult step. Another is the lack of a precise quantitative definition of what characterizes an expert. In this paper, we discuss a different approach to incorporating subjective expert opinion in statistical analyses. We argue that it is easier to elicit data than to elicit a prior . Such elicited data can then be used to supplement the hard, observed data to possibly improve precision of statistical analyses. The approach suggested here also leads to a natural definition of what constitutes a useful expert. We define a useful expert as one whose opinion adds information over and above what is provided by the observed data. This can be quantified in terms of the change in the Fisher information before and after using the expert opinion. One can, thus, avoid the real possibility of using an expert opinion that adds noise, instead of information, to the hard data. We illustrate this approach using an ecological problem of modeling and predicting occurrence of species. An interesting outcome of this analysis is that statistical thinking helps discriminate between a useful expert and a not so useful expert; expertness need not be decided purely on the basis of experience, fame, or such qualitative characteristics. Copyright © 2006 John Wiley & Sons, Ltd.
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.
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 | 0,001 |
| 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 découle