Negative Consequences of Using α = 0.05 for Environmental Monitoring Decisions: A Case Study from a Decade of Canada’s Environmental Effects Monitoring Program
Notice bibliographique
Résumé
Using the traditional α = 0.05 significance level for null hypothesis significance tests makes assumptions about relative costs of Type I vs relevant Type II errors and inflates their combined probabilities. We have examined the results of 1254 monitoring tests conducted under the Canadian Environmental Effects Monitoring (EEM) program from 1992 to 2003, focusing on how the choice of α affected the relative probabilities and implied costs of Type I and Type II errors. Using α = 0.05 resulted in implied relative costs of Type I vs Type II errors that were both inconsistent among monitoring end points and also inconsistent with the philosophy of the monitoring program. Using α = 0.05 also resulted in combinations of Type I and II error that were 15-17% larger than those for "optimal" α levels set to minimize Type I and II errors for each study, and 12% of all monitoring tests would have reached opposite conclusions had they used these optimal α levels for decision-making. Thus, if the Canadian EEM program used study-specific optimal α levels, they would reduce the incidence of relevant errors and eliminate inconsistent implied relative costs of these errors. Environmental research and monitoring programs using α = 0.05 as a decision-making threshold should re-evaluate the usefulness of this "one-size-fits-all" approach.
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 | 0,118 | 0,239 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,010 | 0,005 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,004 |
| 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 ».