Criteria-based ranking (CBR): A comprehensive process for selecting and prioritizing monitoring indicators
Notice bibliographique
Résumé
Resources allocated to natural resource management often fluctuate, requiring the types and numbers of parameters used in monitoring programs (e.g., indicators of ecosystem health) to be frequently reassessed. Conventional approaches to selecting monitoring indicators are often biased and non-inclusive. A new Criteria-based Ranking (CBR) process for selecting and/or prioritizing indicators was tested in the Muskoka River Watershed (Ontario, Canada). The CBR process is based on two environmental assessment tools, Simple Weighted and Leopold matrices. It incorporates environmental components and criteria for assessing each indicator, which generate a score per indicator. The process tested in this study was concluded to be an effective way to prioritize and/or select environmental monitoring indicators. A different set of indicators emerged when a common set of criteria was used to assess monitoring indicators. Benefits of the CBR process include: •Standardization of indicator selection process with less bias and lower cost (e.g., time and human resources).•Indicators that are representative of the community and more relevant for decision-making (e.g., more resilient to socio-political change).•Adaptability: (1) to other goals, e.g., selecting from a list of Valued Ecosystem Components (VECs), and (2) to any context through localized scoring criteria. Easily integrated into existing practice.
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 | 0,056 | 0,086 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,014 | 0,012 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
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 ».