MétaCan
Menu
Retour à la cohorte
Enregistrement W3211288517 · doi:10.14430/arctic73773

Harnessing the Power of Community Science to Address Data Gaps in Arctic Observing: Invasive Species in Alaska as Case Examples

2021· article· en· W3211288517 sur OpenAlexvenueno aff
Tobias Schwoerer, Katie V. Spellman, Tammy Davis, Olivia Lee, Aaron E. Martin, Christa P. H. Mulder, Nicole Y. Swenson, Audrey R. Taylor, Genelle Winter

Notice bibliographique

RevueARCTIC · 2021
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueSpecies Distribution and Climate Change
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCitizen scienceGeneral partnershipScale (ratio)Environmental resource managementContext (archaeology)ArcticResource (disambiguation)Marine conservationEnvironmental planningPolitical scienceBusinessGeographyEcologyComputer scienceEnvironmental science

Résumé

récupéré en direct d'OpenAlex

The Arctic is undergoing large-scale changes that are likely to accelerate in future decades such as introductions and expansions of invasive species. The Arctic is in a unique position to prevent new introductions and spread of existing invasive species by adopting policies and actions aimed at early detection. Responding to threats from invasive species to minimize impacts to ecosystems, communities, food security, and northern economies will necessitate extensive observations and monitoring, but resource managers often face decisions without having adequate data and resources at hand. Local observing programs such as citizen science and community-based monitoring programs present attractive methods for increasing observing capacity that span contributory and co-created approaches while raising awareness of an issue among stakeholders. While the co-created model has been widely applied and encouraged in the Arctic context, contributory citizen science programs offer an additional tool for addressing observing needs in the Arctic. We showcase three contributory citizen science programs related to freshwater, terrestrial, and marine environments that have supported the objectives of the Alaska Invasive Species Partnership. We discuss criteria for achieving ARIAS priority actions at the participant scale related to participants’ motivation and participants’ understanding of the value of their contributions, at the programmatic scale, for example promoting accessible, reciprocal, and transparent knowledge exchange, and at the policy and science scale where management action is data driven. The approach is aimed at successful integration of citizen science into Arctic policy making. Finally, we discuss challenges related to broader global data collection and future directions for contributory citizen science within Arctic observing networks.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,078
Score d'incertitude au seuil0,990

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,002
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0110,000

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.

Tête enseignante Opus0,145
Tête enseignante GPT0,319
Écart entre enseignants0,174 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueARCTICMême sujetSpecies Distribution and Climate ChangeTravaux en français237 207