MétaCan
Menu
Retour à la cohorte
Enregistrement W2907274641 · doi:10.1111/geb.12842

Where Newton might have taken ecology

2018· article· en· W2907274641 sur OpenAlexafffund
David J. Currie

Notice bibliographique

RevueGlobal Ecology and Biogeography · 2018
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueEcology and Vegetation Dynamics Studies
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésEcologyVariance (accounting)ReductionismDilemmaEpistemologyBiologyEconomics

Résumé

récupéré en direct d'OpenAlex

Abstract A dilemma in ecology Ecologists aspire to build a discipline to both understand the natural world and to provide society with tools to make responsible decisions about the environment. For both of these purposes, most sciences have, at their core, a set of empirical generalizations that predict the behaviour of important properties of nature (e.g., Newton’s laws of mechanics, Mendeleev’s periodic table, Mendel’s genetics). Ecological science, in contrast, has favoured studies to understand processes (competition, population regulation, etc. – i.e., independent variables) rather than models that predict attributes of nature (dependent variables). Classical reductionist scientific training emphasizes studies of mechanisms under controlled experimental conditions. Yet, inferences about nature from experiments are nearly always unjustifiable extrapolations beyond the experimental conditions. Mechanisms that are statistically detectable in experimental systems may contribute very little to the variation of nature. Studies of ecological processes in isolation may contribute to “expert understanding,” but experts have been shown to be poor predictors of the behaviour of natural systems. A proposed solution The more relevant, often neglected question is: what factors can statistically account for the observed variance of nature? A more Newtonian approach to ecology would: (a) first, specify the properties of nature (i.e., dependent variables) whose variance is of concern; (b) develop models that statistically capture the variance of those properties in nature; (c) demonstrate that those models can predict independent data; and, only last, (d) experimentally test hypotheses about processes that could give rise to the predictable patterns in nature. Why it matters Successful disciplines identify specific goals and measure progress toward those goals. Predictive accuracy of properties of nature is a measure of that progress in ecology. Predictive accuracy is the objective evidence of understanding. It is the most useful tool that science can offer society.

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)0,007
score de la tête « metaresearch » (Gemma)0,014
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,035

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,014
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0040,018
Communication savante0,0060,015
Science ouverte0,0010,003
Intégrité de la recherche0,0080,016
Charge utile insuffisante (le modèle a refusé de juger)0,0100,006

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.

Tête enseignante Opus0,004
Tête enseignante GPT0,217
Écart entre enseignants0,212 · 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'étudeThéorique ou conceptuel
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

Citations45
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueGlobal Ecology and BiogeographyMême sujetEcology and Vegetation Dynamics StudiesTravaux en français237 207