What evidence exists on the impact of climate change on some of the worst invasive fish and shellfish? A systematic map protocol
Notice bibliographique
Résumé
Abstract Background The Intergovernmental Science-Policy Platform on Biodiversity and Ecosystem Services (IPBES) has estimated that invasive alien species (IAS) might cause billions of dollars of losses every year across the world. One example is South-East Asia, where IAS have caused an estimated loss of 33.5 billion USD, affecting the environment, human health, and agricultural production. Factors associated with climate change, such as increased carbon dioxide (CO2), heavy precipitation, and elevated temperatures is expected to facilitate biological invasion, leading only to further financial and public health loss. Thus, further study is needed to identify, collate and categorise what evidence exists on the impacts of climate change on fish and shellfish species that contribute to the list of “One Hundred of the World’s Worst Invasive Alien Species” as identified by the International Union for Conservation of Nature’s (IUCN). Such mapping will identify regions more at risk of biological invasion as climate change progresses. Methods We outline a systematic mapping review protocol that follows the Guideline and Standards for Evidence Synthesis in Environmental Management and RepOrting standards for Systematic Evidence Syntheses (ROSES). We describe how peer-reviewed articles will be collected from Web of Science and Scopus, and then analyzed to create knowledge maps on the impact climate change has on invasive species. Finally, we speculate on how our results will aid future management of invasive species in the light of climate change.
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 | 0,096 | 0,177 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,007 | 0,011 |
| Bibliométrie | 0,046 | 0,027 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,005 | 0,009 |
| Intégrité de la recherche | 0,006 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,040 | 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 ».