How consistent are citizen science data sources, an exploratory study using free automated image recognition apps for woody plant identification
Notice bibliographique
Résumé
Rapid advances in artificial intelligence have led to an upsurge in automated image recognition phone apps. This has increased public involvement in the collection, identification (ID), and analysis of biological data. While this is good for the field of biological data monitoring and biodiversity conservation, it is not clear how consistent IDs are from different apps. The goal of this exploratory work is to verify the accuracy and consistency in plant species identification from two widely used and free apps, i.e., PlantNet and iNaturalist apps. This work was conducted by scanning leaf samples along Bruce Trail in the Niagara Escarpment Biosphere Reserve as well as from the Royal Botanical Gardens arboretum, both in Hamilton, Ontario. Results show over 90% consistency in the identification of woody plants at the level of genus. At the species level, the PlantNet app demonstrated 79% accuracy (i.e., 79 out of 100 species correctly identified), while the iNaturalist app demonstrated 44% accuracy. Enhancing species representation in the database for Southern Ontario might help particularly species in the families Betulaceae, Rosaceae, and Pinaceae. Complementary use of the apps is recommended as a cautionary measure to reduce the likelihood of error in species-level woody plant identification as well as using apps in conjunction with field guide.
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 | 0,052 | 0,177 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,008 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,009 | 0,006 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».