A general model of detectability using species traits (In Press)
Notice bibliographique
Résumé
Biological surveys underpin most ecological studies. They may be used to determine the distribution and abundance of species, monitor changes in populations or communities and as part of ecological impact assessments. However, numerous studies have demonstrated that detections of plant and animal species are imperfect, so species can remain undetected during a biological survey despite being present (McArdle 1990; Kery 2002; Kery & Gregg 2003; Slade, Alexander & Kettle 2003; Tyre et al. 2003; Bailey, Simons & Pollock 2004; de Solla et al. 2005; Wintle et al. 2005; MacKenzie et al. 2006; Alexander et al. 2009). Failure to account for imperfect detectability in biological surveys may bias estimates of abundance or species richness, impair detection of change or identification of differences due to management actions, misinform management decisions and increase the risk of extinction of rare and endangered species (Wintle et al. 2012). Imperfect detection should be considered when designing surveillance programs (Regan et al. 2006; Hauser & McCarthy 2009), and early detection is critical for the successful management of invasive species (Timmins & Braithwaite 2002).
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 | 0,012 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,006 | 0,013 |
| Science ouverte | 0,008 | 0,003 |
| Intégrité de la recherche | 0,008 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,040 | 0,010 |
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 ».