Think like a Bayesian and avoid pitfalls from our frequentist past
Notice bibliographique
Résumé
Bayesian inference is a powerful tool that is increasingly being used by ecologists. This is largely due to the flexibility in model specification and improvements in software that makes this tool easier to use. However, with increasing ease of use comes a risk of misuse or abuse. We review four major issues we have identified in the use of Bayesian methods and offer reminders and suggestions that will improve the application and reporting of Bayesian inference while at the same time, hopefully, avoiding the pitfalls that have plagued null hypothesis statistical testing (NHST). These issues include; 1) understanding software and model specification; 2) use of prior probability distributions; 3) maximizing utility of posterior probability distributions; and 4) avoiding dichotomous thinking (i.e., the NHST pitfall). We suggest ecologists should strive for openness in their use of statistical software by understanding their model and providing the full computer code used, develop reasonable and informative priors, and make full use of posterior information that Bayesian methods provide. At the same time, ecologists should avoid dichotomizing results into significant/ non-significant boxes, eliminate null hypothesis tests (including probability intervals for hypothesis testing), and use clear language when describing results. Finally, quantitative training should be expanded in undergraduate curricula to provide students with a larger suite of foundational core concepts that extend beyond NHST.
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 | 0,073 | 0,248 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,016 |
| Communication savante | 0,013 | 0,033 |
| Science ouverte | 0,006 | 0,005 |
| Intégrité de la recherche | 0,007 | 0,017 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,007 |
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 ».