Bias in self‐reported parasite data from the salmon farming industry
Notice bibliographique
Résumé
Many industries are required to monitor themselves in meeting regulatory policies intended to protect the environment. Self-reporting of environmental performance can place the cost of monitoring on companies rather than taxpayers, but there are obvious risks of bias, often addressed through external audits or inspections. Surprisingly, there have been relatively few empirical analyses of bias in industry self-reported data. Here, we test for bias in reporting of environmental compliance data using a unique data set from Canadian salmon farms, where companies monitor the number of parasitic sea lice on fish in open sea pens, in order to minimize impacts on wild fish in surrounding waters. We fit a hierarchical population-dynamics model to these sea-louse count data using a Bayesian approach. We found that the industry's monthly counts of two sea-louse species, Caligus clemensi and Lepeophtheirus salmonis, increased by a factor of 1.95 (95% credible interval: 1.57, 2.42) and 1.18 (1.06, 1.31), respectively, in months when counts were audited by the federal fisheries department. Consequently, industry sea-louse counts are less likely to trigger costly but mandated delousing treatments intended to avoid sea-louse epidemics in wild juvenile salmon. These results highlight the potential for combining external audits of industry self-reported data with analyses of their reporting to maintain compliance with regulations, achieve intended conservation goals, and build public confidence in the process.
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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».