JARA: ‘Just Another Red-List Assessment’
Notice bibliographique
Résumé
Abstract Identifying species at risk of extinction is necessary to prioritise conservation efforts. The International Union for Conservation of Nature’s (IUCN) Red List of Threatened Species is the global standard for quantifying extinction risk, with many species categorised according to population reduction thresholds. We introduce the Bayesian state-space framework ‘JARA’ (Just Another Red-List Assessment). Designed as decision-support tool, JARA allows both process error and uncertainty to be incorporated into IUCN Red List assessments under criterion A. JARA is implemented via an R package that is designed to be easy to use, rapid and widely applicable, so conservation practitioners can apply it to their own count or relative abundance data. JARA outputs display easy to interpret graphics of the posterior probability of the population trend against the corresponding IUCN Red List categories, as well as additional graphics to describe the timeseries and model diagnostics. We illustrate JARA using three real-world examples: (1) relative abundance indices for two elasmobranchs, Yellowspotted Skate Leucoraja wallacei and Whitespot Smoothhound Mustelus palumbes ; (2) a comparison of standardized abundance indices for Atlantic Blue Marlin Makaira nigricans and (3) absolute abundance data for Cape Gannets Morus capensis . Finally, using a simulation experiment, we demonstrate how JARA provides greater accuracy than two approaches commonly used to assigning a Red List Status under criterion A. Tools like JARA can help further standardise Red List evaluations, increasing objectivity and lowering the risk of misclassification, with substantial benefits for global conservation efforts.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».