Uncertainty in population estimates: A meta‐analysis for petrels
Notice bibliographique
Résumé
Abstract Population estimates are commonly generated and used in conservation science. All estimates carry inherent uncertainty, but little attention has been given to when and how this uncertainty limits their use. This requires an understanding of the specific purposes for which population estimates are intended, an assessment of the level of uncertainty each purpose can tolerate, and information on current uncertainty. We conducted a review and meta‐analysis for a widespread group of seabirds, the petrels, to better understand how and why population estimates are being used. Globally petrels are highly threatened, and aspects of their ecology make them difficult to survey, introducing high levels of uncertainty into population estimates. We found that by far the most common intended use of population estimates was to inform status and trend assessments, while less common uses were trialling methods to improve estimates and assessing threat impacts and conservation outcomes. The mean coefficient of variation for published estimates was 0.17 (SD = 0.14), with no evidence that uncertainty has been reduced through time. As a consequence of this high uncertainty, when we simulated declines equivalent to thresholds commonly used to trigger management, only 5% of studies could detect significant differences between population estimates collected 10 years apart for populations declining at a rate of 30% over three generations. Reporting of uncertainty was variable with no dispersion statistics reported with 38% of population estimates and most not reporting key underlying parameters: nest numbers/density and nest occupancy. We also found no correlation between uncertainty in petrel population estimates and either island size, body size or species threat status – potential predictors of uncertainty. Key recommendations for managers are to be mindful of uncertainty in past population estimates if aiming to collect contemporary estimates for comparison, to report uncertainty clearly for new estimates, and to give careful consideration to whether a proposed estimate is likely to achieve the requisite level of certainty for the investment in its generation to be warranted. We recommend a practitioner‐based value of information assessment to confirm where there is value in reducing uncertainty.
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 | 0,040 | 0,104 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,046 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».