MétaCan
Menu
Retour à la cohorte
Enregistrement W4312061763 · doi:10.3897/neobiota.78.95050

Knowledge needs in economic costs of invasive species facilitated by canalisation

2022· article· en· W4312061763 sur OpenAlexaff
Paride Balzani, Ross N. Cuthbert, Elizabeta Briski, Gustavo A. Castellanos‐Galindo, Antonín Kouba, Melina Kourantidou, Brian Leung, Ismael Soto, Phillip J. Haubrock

Notice bibliographique

RevueNeoBiota · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAquatic Invertebrate Ecology and Behavior
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésInvasive speciesDreissenaZebra musselFisheryIntroduced speciesSuez canalEcologyPanama canalGeographyAlienBiologyBusinessMolluscaBivalviaMusselInternational trade

Résumé

récupéré en direct d'OpenAlex

Canals provide wide-ranging economic benefits, while also serving as corridors for the introduction and spread of aquatic alien species, potentially leading to negative ecological and economic impacts. However, to date, no comprehensive quantifications of the reported economic costs of these species have been done. Here, we used the InvaCost database on the monetary impact of invasive alien species to identify the costs of those facilitated by three major canal systems: the European Inland Canals, Suez Canal, and Panama Canal. While we identified a staggering number of species having spread via these systems, monetary costs have been reported only for a few. A total of $33.6 million in costs have been reported from species linked to European Inland Canals (the fishhook waterflea Cercopagis pengoi and the zebra mussel Dreissena polymorpha) and $8.6 million linked to the Suez Canal (the silver-cheeked toadfish Lagocephalus sceleratus, the lionfish Pterois miles, and the nomad jellyfish Rhopilema nomadica), but no recorded costs were found for species facilitated by the Panama Canal. We thus identified a pervasive lack of information on the monetary costs of invasions facilitated by canals and highlighted the uneven distribution of costs.

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)0,002
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,041

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,013
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,001
Communication savante0,0020,005
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0100,001

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,221
Écart entre enseignants0,206 · 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'étudeThéorique ou conceptuel
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

Citations24
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNeoBiotaMême sujetAquatic Invertebrate Ecology and BehaviorTravaux en français237 207