Does incorporating gear selectivity during macroscale investigations of fish growth reduce size-selective sampling bias in parameter estimates?
Notice bibliographique
Résumé
Understanding of fish growth, the spatial variability in individual growth, and the potential drivers of such variability is a fundamental component of many ecological investigations. However, sampling gears are always size-selective, and this selectivity can result in biased parameter estimates that can lead to, for example, biased stock assessments that use growth estimates. Using seven flathead catfish (Pylodictis olivaris) populations from across the USA as an example, we investigated to what degree the incorporation of gear selectivity in growth models reduces size-selective bias in the estimation of growth parameters during macroscale investigations of fish growth. We developed a series of simulation scenarios by combining different sampling methods to obtain fish samples and different gear selectivity assumptions to estimate parameters. Results showed that the efficacy of incorporating gear selectivity in growth models to reduce size-selective sampling bias during macroscale investigations depends on multiple factors, including (i) the size distribution of small and large fish in the sample (which is a function of sampling methods), and (ii) consistency of sampling methods across populations. Incorporation of gear selectivity may reduce bias when data are lacking for large fish and when sampling methods are inconsistent across populations. Demographics of the sampled populations and the growth parameter of interest can also affect the utility of directly incorporating gear selectivity into growth models. Because multiple factors can influence the efficacy of incorporating gear selectivity into growth models, the decision to do so likely needs to be made on a case-by-case basis. This study extends the existing gear selectivity research by focusing on macroscale fish growth investigations across multiple populations and provides guidance on how to handle gear selectivity assumptions during such investigations.
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 | 0,047 | 0,122 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».