Enhancing collaboration between ecologists and computer scientists: lessons learned and recommendations forward
Notice bibliographique
Résumé
Abstract In the era of big data, ecologists are increasingly relying on computational approaches and tools to answer existing questions and pose new research questions. These include both software applications (e.g., simulation models, databases and machine learning algorithms) and hardware systems (e.g., wireless sensor networks, supercomputing, drones and satellites), motivating the need for greater collaboration between computer scientists and ecologists. Here, we outline some synergistic opportunities for scientists in both disciplines that can be gained by building collaborations between the computer science and ecology research communities, with a focus on the benefits to ecology specifically. We also identify past contributions of computer science to ecology, including high‐frequency environmental sensor technology, advanced supercomputing capacity for ecological modeling, databases for long‐term and high‐frequency datasets, and software programs for ecological analyses, to anticipate future potential contributions. These examples highlight the power and potential for further integration of computer science technology and ideas into the ecological research community. Finally, we translate our own experiences working together as a team of computer scientists and ecologists over the past decade into a conceptual framework with recommendations for supporting productive collaborations at the interface of the two disciplines. We specifically focus on how to apply best practices of team science for bridging computer science and ecology, which we advocate will substantially benefit ecology long‐term.
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 | 0,092 | 0,109 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,008 | 0,007 |
| Communication savante | 0,020 | 0,032 |
| Science ouverte | 0,009 | 0,017 |
| Intégrité de la recherche | 0,017 | 0,016 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,005 |
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 ».