Pursuing best practices for minimizing wild bee captures to support biological research
Notice bibliographique
Résumé
Abstract Bees are important pollinators of wild and domesticated flowering plant species. Over the last 30 years, an increasing number of scientific articles have been published on the ecology and conservation of wild bees. To achieve research goals, many studies have pursued the lethal take of wild bees. Although the impact of lethal take for scientific pursuits is likely negligible compared to the negative impacts of human‐mediated phenomena such as climate change, urbanization, and agricultural intensification, it is important to evaluate the history of lethal take on scientific endeavors. In our study, we evaluated a random sample of 30 years of scientific publications on wild bees. Across 1426 surveyed publications, 536 reported the lethal take of wild bees. We found that 61% of these studies lethally captured wild bees primarily for species identification. Furthermore, we determined passive sampling of wild bees resulted in substantially more lethal collections than active methods per study. However, combined approaches of passive and active collection resulted in the greatest lethal take of wild bees per study. Finally, we determined that 64% of the studies did not provide deposition information for their samples, hindering additional research that could be done with them. The increasing availability of video and photographic devices and artificial intelligence approaches to identification, the development of low and noninvasive molecular methods, and the ease of sharing information, allow for a timely discussion on alternative routes and potentially new best practices in bee research. We focus our discussion on alternative methods for minimizing lethal captures for identification purposes and through passive methods, and for maximizing the utility of the data collected. Finally, we provide a framework for continued engagement among researchers and managers to develop strategies that can contribute to reducing our impact on wild bee communities and making the most of collected specimens.
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 | 0,099 | 0,160 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,005 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
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 ».