The curse of observer experience: Error in noninvasive genetic sampling
Notice bibliographique
Résumé
Noninvasive genetic sampling (NGS) is commonly used to study elusive or rare species where direct observation or capture is difficult. Little attention has been paid to the potential effects of observer bias while collecting noninvasive genetic samples in the field, however. Over a period of 7 years, we examined whether different observers (n = 58) and observer experience influenced detection, amplification rates, and correct species identification of 4,836 gray wolf (Canis lupus) fecal samples collected in Idaho and Yellowstone National Park, USA and southwestern Alberta, Canada (2008-2014). We compared new observers (n = 33) to experienced observers (n = 25) and hypothesized experience level would increase the overall success of using NGS techniques in the wild. In contrast to our hypothesis, we found that new individuals were better than experienced observers at detecting and collecting wolf scats and correctly identifying wolf scats from other sympatric carnivores present in the study areas. While adequate training of new observers is crucial for the successful use of NGS techniques, attention should also be directed to experienced observers. Observer experience could be a curse because of their potential effects on NGS data quality arising from fatigue, boredom or other factors. The ultimate benefit of an observer to a project is a combination of factors (i.e., field savvy, local knowledge), but project investigators should be aware of the potential negative effects of experience on NGS sampling.
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 | 0,070 | 0,211 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».