Advancing best practices for assessing trends of ocean acidification time series
Notice bibliographique
Résumé
Assessing the status of ocean acidification across ocean and coastal waters requires standardized procedures at all levels of data collection, dissemination, and analysis. Standardized procedures for assuring quality and accessibility of ocean carbonate chemistry data are largely established, but a common set of best practices for ocean acidification trend analysis is needed to enable global time series comparisons, establish accurate records of change, and communicate the current status of ocean acidification within and outside the scientific community. Here we expand upon several published trend analysis techniques and package them into a set of best practices for assessing trends of ocean acidification time series. These best practices are best suited for time series capable of characterizing seasonal variability, typically those with sub-seasonal (ideally monthly or more frequent) data collection. Given ocean carbonate chemistry time series tend to be sparse and discontinuous, additional research is necessary to further advance these best practices to better address uncharacterized variability that can result from data discontinuities. This package of best practices and the associated open-source software for computing and reporting trends is aimed at helping expand the community of practice in ocean acidification trend analysis. A broad community of practice testing these and new techniques across different data sets will result in improvements and expansion of these best practices in the future.
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 | 0,197 | 0,541 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,008 |
| Bibliométrie | 0,030 | 0,031 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,017 | 0,010 |
| Science ouverte | 0,008 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,006 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».