MétaCan
Menu
← Retour à la cohorte
Enregistrement W2764270303 · doi:10.1139/cjfas-2017-0171

Eurasian tench (<i>Tinca tinca</i>): the next Great Lakes invader

2017· article· en· W2764270303 sur OpenAlexafffundvenue
Sunčica Avlijaš, Anthony Ricciardi, Nicholas E. Mandrak

Notice bibliographique

RevueCanadian Journal of Fisheries and Aquatic Sciences · 2017
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueFish Ecology and Management Studies
Établissements canadiensThe Scarborough HospitalUniversity of TorontoMcGill University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaOntario Ministry of Natural Resources and Forestry
Mots-clésFisheryBenthic zoneBiological dispersalEcologyFishingIntroduced speciesInvasive speciesBycatchTributaryGeographyBiologyPopulation

Résumé

récupéré en direct d'OpenAlex

A globally invasive fish, Eurasian tench (Tinca tinca) is spreading through the St. Lawrence River and poses an imminent invasion threat to the Great Lakes. Following its illegal release into a tributary of the St. Lawrence River in 1991, tench has spread throughout the river’s main stem over the past decade, and its abundance in commercial fishing bycatch in the river has grown exponentially. The tench is a generalist benthic consumer with largely undocumented ecological impacts in North America. Reports from other invaded regions indicate that it can compete with other benthic fishes, host a diverse assemblage of parasites and pathogens, degrade water clarity in shallow lakes, limit submerged macrophyte growth, reduce gastropod populations, and promote benthic algal growth through top-down effects. Risk assessments and climate-match models indicate that the Great Lakes are vulnerable to tench invasion, and they signal the need for timely comprehensive actions, including development and implementation of monitoring and rapid-response protocols, including prevention or slowing of natural dispersal through canals.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,818
Score d'incertitude au seuil0,363

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0020,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,000

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.

Tête enseignante Opus0,031
Tête enseignante GPT0,224
Écart entre enseignants0,193 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations35
Publié2017
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Fisheries and Aquatic Sciences→Même sujetFish Ecology and Management Studies→Travaux en français237 207→