Going Beyond a Leap of Faith When Choosing between Active and Passive Bat Monitoring Methods
Notice bibliographique
Résumé
The limiting trade-off between expediency and accuracy is well exemplified by the monitoring of bats, more specifically since the onset of the White-Nose Syndrome in North America. Acoustic detection is a way of circumventing the difficulties of catching bats, and monitoring is usually done either with transects or fixed recording points, the latter generally being assumed to be superior. However, little has been done until now to assess each method's ability to maximize the quality of recordings and the number of species detected, to account for the temporal variability of bat activity, and to account for the variability in habitats and the spatial patterns of bat activity. We tested whether transects could yield similar results as fixed points for every of those aspects of accurate and reliable bat monitoring. We found it to be true for recording quality and the detection of peaks of activity, but found that either method was little affected by weather and landscape attributes. We conclude that the use of transects is a valid choice for long-term monitoring, as it performs comparably to fixed recording points and maximizes the number of detections per sampling unit. However, transects tend to record a greater proportion of migratory bats than fixed recording points, a bias which should be considered in the assessment of the state of particular species' populations.
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 | 0,185 | 0,230 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,008 |
| Communication savante | 0,009 | 0,014 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,005 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; 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 ».