Risk Assessment of Whale Entanglement and Vessel Strike Injuries From Case Narratives and Classification Trees
Notice bibliographique
Résumé
Entanglements and vessel strikes impact large whales worldwide. Post-event health status is often unknown because whales are seen once or over short spans that conceal long-term health declines. Well-studied populations with high site fidelity verified by photo-ID offer opportunity to confirm deaths, health declines and recoveries. We used known outcome entanglements and vessel strikes of right whales (Eubalaena glacialis) and humpback whales (Megaptera novaeangliae) to model probabilities of deaths, health declines and recoveries with Random Forest (RF) classification trees. Variables included presence or absence of phrases from case narratives (‘deep laceration’, ‘cyamid’, ‘healing’, ‘superficial’) and a categorical variable for vessel size. Health status post-entanglement was correctly classified in 95.7% of right whale and 93.6% of humpback whale cases (expected by chance=50%). Health status post-vessel strike was correctly classified in 91.4% of right whale and 88.6% of humpback whale cases. Important variables included cyamid presence, emaciation, discolored skin, constricting entanglements, gear-free resightings, superficial or healing lacerations, and vessel size. Cross-validated RF models were applied to unknown outcome cases to estimate the probability of deaths, health declines and recoveries. Total serious injuries (probability of death or health decline > 0.50) assigned by RF were nearly equal to current injury assessment methods applied by biologists for known outcomes. However, RF consistently predicted higher serious injury totals for unknown outcomes, suggesting that current assessment methods may underestimate risk for cases lacking details or long-term observations. Advantages of the RF method include: 1) risk models are based on known outcomes; 2) unknown outcomes are assigned post-event health status probabilities; and 3) identification of important predictor variables improves data collection standards.
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 | 0,017 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».