Causal inference and large‐scale expert validation shed light on the drivers of <scp>SDM</scp> accuracy and variance
Notice bibliographique
Résumé
Abstract Aim To develop a causal understanding of the drivers of Species distribution model (SDM) performance. Location United Kingdom (UK). Methods We measured the accuracy and variance of SDMs fitted for 518 species of invertebrate and plant in the UK. Our measure of variance reflects variation among replicate model fits, and taxon experts assessed model accuracy. Using directed acyclic graphs, we developed a causal model depicting plausible effects of explanatory variables (e.g. species' prevalence, sample size) on SDM accuracy and variance and quantified those effects using a multilevel piecewise path model. Results According to our model, sample size and niche completeness (proportion of a species' niche covered by sampling) directly affect SDM accuracy and variance. Prevalence and range completeness have indirect effects mediated by sample size. Challenging conventional wisdom, we found that the effect of prevalence on SDM accuracy is positive. This reflects the facts that sample size has a positive effect on accuracy and larger sample sizes are possible for widespread species. It is possible, however, that the omission of an unobserved confounder biased this effect. Previous studies, which reported negative correlations between prevalence and SDM accuracy, conditioned on sample size. Main conclusions Our model explicates the causal basis of previously reported correlations between SDM performance and species/data characteristics. It also suggests that niche completeness has similarly large effects on SDM accuracy and variance as sample size. Analysts should consider niche completeness, or proxies thereof, in addition to sample size when deciding whether modelling is worthwhile.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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) | 0,001 | 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 ».