The importance of open data describing prey item species lists for endangered species
Notice bibliographique
Résumé
Abstract Open data and code can be transformative tools in supporting evidence‐informed solutions for stakeholders. Data can take many forms of evidence in the discipline of applied ecology including tables, lists, maps and visualizations to name a few. Endangered and listed species are often a catalyst for research, conservation and planning. Here, a novel, open data set summarizing all the reported diet and prey items for all endangered, terrestrial dryland species listed in central California is provided as a case study. These data highlight the critical need for sharing data rapidly and transparently to support ecological solution science. Systematic review practices were used, data were compiled and the resulting data set was published in an open access, federated data repository using ecological metadata language and FAIR principles. The goal is to show that these data can now be used and analysed by applied ecologists and stakeholders to identify not only the habitat and spatial needs for the endangered species but to widen the conservation protection net to include prey species. Conserving viable habitat with higher likelihoods of prey presence will better support conservation of endangered species, and data describing reported species are a crucial first step. Interactive tables, local species lists and maps are simple tools that can now be developed regionally with open data such as these.
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 | 0,126 | 0,313 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,030 | 0,026 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,012 | 0,016 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 ».