How Much is Enough? Improving Participatory Mapping Using Area Rarefaction Curves
Notice bibliographique
Résumé
Participatory mapping is a valuable approach for documenting the influence of human activities on species, ecosystems, and ecosystem services, as well as the variability of human activities over space and time. This method is particularly valuable in data-poor systems; however, there has never been a systematic approach for identifying the total number of respondents necessary to map the entire spatial extent of a particular human activity. Here, we develop a new technique for identifying sufficient respondent sample sizes for participatory mapping by adapting species rarefaction curves. With a case study from a heavily fished marine ecosystem in the central Philippines, we analyze participatory maps depicting locations of individuals’ fishing grounds across six decades. Within a specified area, we assessed how different sample sizes (i.e. small vs. large numbers of respondents) would influence the estimated extent of fishing for a specified area. The estimated extent of fishing demonstrated asymptotic behavior as after interviewing a sufficiently large number of individuals, additional respondents did not increase the estimated extent. We determined that 120 fishers were necessary to capture 90% of the maximum spatial extent of fishing within our study area from 1990 to 2010, equivalent to 1.1% of male fishers in the region. However, a higher number of elder fishers need to be interviewed to accurately map fishing extent in 1960 to 1980. Participatory maps can provide context for current ecosystem conditions and can support guidelines for management and conservation. Their utility is strengthened by better consideration of the impacts of respondent sample sizes and how this can vary over time for historical assessments.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».