Giant taxon‐character matrices <scp>II</scp>: a response to Laing et al. (2017)
Notice bibliographique
Résumé
The trend towards big data analyses in evolutionary biology has been observed in phylogenetics via the assembly of giant datasets composed of genomic and phenotypic data. We recently (Simões et al., 2017. Giant taxon-character matrices: Quality of character constructions remains critical regardless of size. Cladistics 33, 198-219) presented a critique of the phylogenetic character concepts used in current morphological datasets, with the caution that giant datasets did not obviate the empirical requirement of rigor in character construction. Laing et al. (2017. Giant taxon-character matrices: The future of morphological systematics. Cladistics, https://doi.org/10.1111/cla.12197) have since argued that we had 'suggested' that large datasets inherently contain flawed characters, and that we had presented a substandard methodology of phylogenetic analysis. Laing et al. concluded by discussing their approach to phylogenetic signal, total evidence and the inevitability of large datasets. We here reply to Laing et al. by reviewing what we actually wrote regarding dataset size, characters and methodology. We show that Laing et al.'s. central premise is unsupported, thus characterizing a Straw Man argument, and deeply misrepresents our original study. In part two, we discuss total evidence and phylogenetic signal issues raised by Laing et al. that are of major consequence to the appropriate construction of large morphological datasets.
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 | 0,060 | 0,264 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,011 | 0,029 |
| Communication savante | 0,012 | 0,018 |
| Science ouverte | 0,006 | 0,010 |
| Intégrité de la recherche | 0,034 | 0,072 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,006 |
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 ».