MétaCan
Menu
← Retour à la cohorte
Enregistrement W4249039192 · doi:10.7287/peerj.preprints.26850v2

Cataloguing and monitoring changes in Arctic marine biodiversity through SCUBA diving

2018· preprint· en· W4249039192 sur OpenAlexaffabout
Donna M Gibbs, C.J. Gibbs, Jessica Schultz

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineEnvironmental Science
ThématiqueMarine and fisheries research
Établissements canadiensCoquitlam College
Organismes subventionnairesnon disponible
Mots-clésBayScuba divingBiodiversityArcticAbundance (ecology)GeographyOceanographyFisheryBenchmarkingMarine biodiversityShoreWetlandEcologyEnvironmental scienceBiologyArchaeology

Résumé

récupéré en direct d'OpenAlex

Since 2014 divers from Ocean Wise have been SCUBA diving in the Cambridge Bay, Nunavut area collecting data on fishes, invertebrates and marine plants at numerous sites. For each dive a file is created that catalogues the species found and a rough abundance of that species. These files accumulate over time and are searchable by location, year, year and month, month, species and a number of other criteria with custom software created for this purpose. Relationships between species is automatic with the searches. In addition to the species catalogue that began in 2014, data has been scrounged from previous collecting trips by staff and personal dive logs before 2014, allowing for comparison between Pond Inlet, Resolute and Cambridge Bay. We were able to flag a potential decline in one species in 2017 thanks to our previous data. Our goal is to work cooperatively with others diving in the Arctic to grow this database through photography and dive records. At this point we have 149 dives/records and 279 species recorded. The database is used to support the Nearshore Ecological Surveys and the Arctic Marine Ecological Benchmarking Program reports. In addition to biodiversity data, temperature, salinity, pH and dissolved oxygen are also collected while in the area.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,082
Score d'incertitude au seuil0,162

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0090,008
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,002

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 Opus0,039
Tête enseignante GPT0,264
Écart entre enseignants0,225 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations0
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetMarine and fisheries research→Travaux en français237 207→