Beach Litter Assessment: Critical Issues and the Path Forward
Notice bibliographique
Résumé
Studies analyzing large-scale patterns or long-term trends in the amounts and composition of beach litter are often based on the analysis of several small-scale studies, which may provide an inaccurate picture if the methods and approaches used in those studies are not directly comparable. Moreover, most beach-litter review studies do not evaluate how the results are affected by a number of factors. Therefore, this paper analyzes empirical results from 62 beach-litter (BL) assessment studies published in the last decade (years 2010–2020) in peer-reviewed international journals. Both the results on beach litter (origin, composition, and density) and the utility of those findings to coastal managers are analyzed and discussed. The paper identifies strengths and weaknesses of different research designs, overall compatibility among the results of studies, and identification and means of eliminating those aspects that cause incompatibilities, inconsistencies, and high variability of data that cause low reliability of the results, among other issues. The results indicate that a global picture based on a number of small-scale studies cannot be drawn due to incompatibilities in sampling protocols and presentation of results, data analysis and interpretation, spatial and temporal differences, and the lack of understanding of factors influencing BL. This paper offers a critical view of many aspects of (BL) research in order to bring them to researchers’ attention, at the same time recognizing the importance of previously published studies in making significant advancements in this field. Finally, it is also a call to move from limited data collecting and presentation in peer-reviewed journals to experimental designs, large data analyses, and testing of methods and solutions to the BL issue to advance understanding of beach-litter issues.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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 tête enseignante, 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 ».