Risk screening of non‐native freshwater fishes in <scp>C</scp>roatia and <scp>S</scp>lovenia using the <scp>F</scp>ish <scp>I</scp>nvasiveness <scp>S</scp>creening <scp>K</scp>it
Notice bibliographique
Résumé
Abstract The Fish Invasiveness Screening Kit ( FISK ) version 2 was used to assess the invasiveness potential of 40 introduced and translocated freshwater fish species to Croatia and Slovenia. Based on a priori classification of invasiveness, receiver operating characteristic analysis of FISK scores from two independent assessors resulted in a statistically significant calibration threshold of 11.75. This indicated that FISK was able to discriminate reliably between non‐native species likely to pose a high risk of being invasive and those likely to pose a medium or low risk of invasiveness. Seven species were categorised as ‘medium risk’ and the other 33 as ‘high risk’, whereas no species was categorised as ‘low risk’. The two highest scoring species were European catfish Silurus glanis and North African catfish Clarias gariepinus . Mean scores for all species classified a priori as invasive were ranked as ‘high risk’ sensu lato and fell into the ‘moderately high risk’ subcategory. FISK proved to be a valid tool for assessing the risks posed by non‐native fishes in Croatia and Slovenia. For this reason, it can be adopted as a reliable tool for the prevention of new translocations or introductions of potentially invasive species in the risk assessment area, as well as to assist in decisions regarding future management (i.e. monitoring, control and eradication) and conservation strategies.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».