How to make progress in projecting climate change impacts
Notice bibliographique
Résumé
Abstract Cheung, W. W. L., Pauly, D., and Sarmiento, J. L. 2013. How to make progress in projecting climate change impacts. – ICES Journal of Marine Science, 70: 1069–1074. Scientific modelling has become a crucial tool for assessing climate change impacts on marine resources. Brander et al. criticize the treatment of reliability and uncertainty of such models, with specific reference to Cheung et al. (2013, Nature Climate Change, 3: 254–258) and their projections of a decrease in maximum body size of marine fish under climate change. Here, we use the specific criticisms of Brander et al. (2013, ICES Journal of Marine Science) on Cheung et al. (2013) as examples to discuss ways to make progress in scientific modelling in marine science. We address the technical criticisms by Brander et al., then their more general comments on uncertainty. The growth of fish is controlled and limited by oxygen, as documented in a vast body of peer-reviewed literature that elaborates on a robust theory based on abundant data. The results from Cheung et al. were obtained using published, reproducible and peer-reviewed methods, and the results agree with the empirical data; the key assumptions and uncertainties of the analysis were stated. These findings can serve as a step towards improving our understanding of climate change impacts on marine ecosystems. We suggest that, as in other fields of science, it is important to develop incrementally (or radically) new approaches and analyses that extend, and ultimately improve, our understanding and projections of climate change effects on marine ecosystems.
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 | 0,144 | 0,381 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,008 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,010 |
| Communication savante | 0,014 | 0,031 |
| Science ouverte | 0,008 | 0,017 |
| Intégrité de la recherche | 0,009 | 0,017 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,011 |
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 ».