Pan-Arctic analysis of cultural ecosystem services using social media and automated content analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract In the Arctic, as in many parts of the world, interactions with the natural world are an important part of people’s experience and are often recorded in photographs. Emerging methods for automated content analysis of social media data offers opportunities to discover information on cultural ecosystem services from photographs across large samples of people and countries. We analysed over 800 000 Flickr photographs using Google’s Cloud Vision algorithm to identify the components of the natural environment most photographed and to map how and where different people interact with nature across eight Arctic countries. Almost all (91.1%) of users took one or more photographs of biotic nature, and such photos account for over half (53.2%) of Arctic photos on Flickr. We find that although the vast majority of Arctic human-nature interactions occur outside protected areas, people are slightly more likely to photograph nature inside protected areas after accounting for the low accessibility of Arctic protected areas. Wildlife photographers travel further from roads than people who take fewer photographs of wildlife, and people venture much further from roads inside protected areas. A large diversity of nature was reflected in the photographs, from mammals, birds, fish, fungi, plants and invertebrates, signalling an untapped potential to connect and engage people in the appreciation and conservation of the natural world. Our findings suggest that, despite limitations, automated content analysis can be a rapid and readily accessed source of data on how and where people interact with nature, and a large-scale method for assessing cultural ecosystem services across countries and cultures.
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.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle