Citizen science data quality: Harnessing the power of recreational SCUBA divers for rockfish (Sebastes spp.) conservation
Notice bibliographique
Résumé
Monitoring rare or elusive species can be especially difficult in marine environments, resulting in poor data density. SCUBA-derived citizen science data has the potential to improve data density for conservation. However, citizen science data quality may be perceived to be of low quality relative to professional data due to a lack of ‘expertise’ and increased observer variability. We evaluated the quality of data collected by citizen science scuba divers for rockfish (Sebastes spp.) conservation around Southern Vancouver Island, Canada. An information-theoretic approach was taken in two separate analyses to address the overarching question: ‘what factors are important for SCUBA-derived citizen science data quality?’. The first analysis identified predictors of variability in precision between paired divers. We found that professional scientific divers did not exhibit greater data precision than recreational divers. Instead, precision variation was best explained by study site and divers’ species identification or recreational training. A second analysis identified what observer and environmental factors correlated with higher resolution identifications (i.e. identified to the species level rather than family or genus). We found divers provided higher resolution identifications on surveys when they had high species ID competency and diving experience. Favorable conditions (high visibility and earlier in the day) also increased taxonomic resolution on dive surveys. With our findings, we are closer to realizing the full potential of citizen science to increase our capacity to monitor rare and elusive species.
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 | 0,029 | 0,105 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».