Inference in road ecology research: what we know versus what we think we know
Notice bibliographique
Résumé
Roads and traffic impacts on wildlife populations are well documented. Three major mechanisms can cause them: reduced connectivity, increased mortality and reduced habitat quality. Researchers commonly recommend mitigation based on the mechanism they deem responsible. We reviewed the 2012-2016 literature to evaluate authors' inferences, to determine whether they explicitly acknowledge all possible mechanisms that are consistent with their results. We found 327 negative responses of wildlife to roads, from 307 studies. While most (84%) of these responses were consistent with multiple mechanisms, 60% of authors invoked a single mechanism. This indicates that many authors are over-confident in their inferences, and that the literature does not allow estimation of the relative importance of the mechanisms. We found preferences in authors' discussion of mechanisms. When all three mechanisms were consistent with the response measured, authors were 2.4 and 2.9 times as likely to infer reduced habitat quality compared to reduced connectivity or increased mortality, respectively. When both reduced connectivity and increased mortality were consistent with the response measured, authors were 5.2 times as likely to infer reduced connectivity compared to increased mortality. Given these results, road ecologists and managers are likely over-recommending mitigation for improving habitat quality and connectivity, and under-recommending measures to reduce road-kill.
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 | 0,034 | 0,113 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,009 |
| Communication savante | 0,007 | 0,016 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,006 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».