Four steps to strengthen connectivity modeling
Notice bibliographique
Résumé
Maintaining and restoring ecological connectivity is considered a global imperative to help reverse the decline of biodiversity. To be successful, practitioners need to be guided by connectivity modeling research that is rigorous and reliable for the task at hand. However, the methods and workflows within this rapidly growing field are diverse and few have been carefully scrutinized. We propose four steps that should be consistently undertaken in connectivity modeling studies in order to improve rigour and utility: 1) describe the type of connectivity being modeled, 2) assess the uncertainty and sensitivity of model parameters, 3) validate the model outputs, ideally with independent data and 4) make non‐sensitive raw data and code openly available to enhance computational reproducibility. We reviewed the literature to determine the extent to which studies included these four steps. We focused on studies that generated novel landscape connectivity outputs using circuit theory and restricted our assessment to studies concerning terrestrial mammals. Among 181 studies meeting our search criteria, 39% communicated the type of connectivity being modeled, 18% conducted some form of sensitivity or uncertainty analysis (or both), 18% of studies attempted to validate their connectivity model outputs and only 7% used fully independent data to do so. Lastly, 13% of the studies made all raw data available, 2% provided all required code and only two studies provided both. Our findings highlight a clear need and opportunity to improve the reliability, reproducibility and utility of connectivity modeling research. We provide a checklist that researchers can consult and include with outputs. This will help practitioners make more informed decisions and ensure limited resources for connectivity conservation and restoration are allocated appropriately.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».