Intelligence artificielle, données volumineuses et conservation de la biodiversité.
Notice bibliographique
Résumé
L'intensification technologique croissante de la conservation de la biodiversité répond à un besoin de capacité accrue d'analyse de données volumineuses, plus diverses et plus complexes. L'intelligence artificielle (IA) et les données volumineuses permettent de mieux comprendre la planète et ses habitants. L’IA permet aussi de soutenir les efforts des sciences participatives en automatisant la reconnaissance d’espèces dans certaines données collectées par les citoyens. Elle implique parfois également la collaboration avec le secteur privé, et plus particulièrement de grandes entreprises technologiques qui soutiennent financièrement et technologiquement des projets de conservation. Si la contribution des citoyens et des grandes entreprises technologiques à la conservation de la biodiversité est à la fois louable et souhaitable, les enjeux diffèrent. Alors que les sciences participatives s’inscrivent dans une démarche scientifique qui implique la transparence et la justification de décisions, les critères qui conditionnent le soutien de ces entreprises manquent souvent de transparence. La comparaison de ces deux formes de participation aux efforts de conservation assistés par l'IA met en évidence le besoin accru de transparence des grandes entreprises technologiques, d'autant plus que leur rôle ne consiste pas simplement à collecter des données, mais bien plus fondamentalement à soutenir les projets sur le plan financier et technologique.
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 | 0,011 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,006 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,006 |
| Communication savante | 0,011 | 0,011 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».