Bat Noise Scrubber Bias Adjustment Using the Rogan-Gladen Estimator and Bayesian Inference
Notice bibliographique
Résumé
The number of bat call files recorded in acoustic surveys may be used to assess comparative bat activity levels over time and among habitats. Acoustic signal processing can segregate bat files from noise files and thus quickly provide an estimate of the number of bat files in a large sample of recordings. However, false positive and false negative classifications may result in a biased estimate requiring adjustment, as inaccurate bat numbers may impact bat conservation decisions. Previous research has ranked software classification accuracy in comparison to the visual classification of spectrograms. Small classification errors can result in considerable bias in software-derived estimates of the number of bat call files in a sample. Estimation bias may not have a linear relationship to the percentage of files containing bats, requiring unique correction coefficients. The focus of this note is to 1) illustrate patterns of bias that may result from noise scrubbing and 2) to illustrate the application of two methods of bias adjustment, the Rogan-Gladen estimator and Bayesian inference. The expected bias of four noise scrubbing tools from the literature, each of different measured accuracy, was plotted over a simulated range of true bat file prevalence while holding constant the accuracy of each scrubber. Rogan-Gladen bias adjustment was accurate for all four noise scrubbers. Bayesian bias adjustment showed low overall error, with some inflation at very low bat file prevalence. Caveats in the use of both bias adjustment methods are discussed.
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 | 0,028 | 0,135 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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 ».