MétaCan
Menu
← Retour à la cohorte
Enregistrement W4389206494 · doi:10.22215/etd/2023-15796

From Better Monitoring to Better Decisions: Improving Conservation using Community Science

2023· dissertation· en· W4389206494 sur OpenAlexaff
Allison D. Binley

Notice bibliographique

Revuenon disponible
Typedissertation
Langueen
DomaineEnvironmental Science
ThématiqueSpecies Distribution and Climate Change
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésCitizen scienceBiodiversity conservationWork (physics)Data scienceAction (physics)Data collectionPopulationComputer scienceConservation scienceBiodiversityEnvironmental resource managementEngineeringEcologyEnvironmental scienceSociology

Résumé

récupéré en direct d'OpenAlex

Understanding and abating threats to biodiversity requires extensive data collection, and yet doing so is logistically challenging and depletes funds that could otherwise be spent on action.Fortunately, we have already accrued vast quantities of data on biodiversity through community science programs, which enlist help from the public for monitoring and research.My research aims to put these data to work, demonstrating how they can help compensate for monitoring biases, fill knowledge gaps, and improve conservation decision making, all while reducing the cost to do so.First, I assess the current use of community science data in peer-reviewed research, examining taxonomic and geographic patterns in the literature.The next project uses data collected through an opportunistic community science dataset to model population trends under similar frameworks to professional monitoring schemes, while accounting for the additional noise and variability present in such datasets.Then, using community science data available across the entire western hemisphere, I examine how species respond to anthropogenic pressures differently over time and space.Next, I investigate how the use of community science data can help redistribute conservation resources from monitoring to action, with ultimately better outcomes for biodiversity.Finally, I discuss common challenges associated with conducting research using community science data, and explore solutions that are applicable to data collected by amateurs and professionals alike.Although large noisy datasets present many analytical challenges, my research shows that using them can directly improve our capacity to make informed decisions and ultimately lead to more effective and efficient conservation.Conservation science is a crisis discipline, and we must bring all possible tools to bear before species are lost for good.The last 5 years have been some of the best of my life.I came somewhat reluctantly to grad school because it seemed like the only option to move forward in my career at the time.What I discovered here was a real passion for research that will shape the rest of my career, and I am so grateful to the many people who helped make that happen.I want to first thank my family for all their support throughout my education.I know that this journey would have been much, much harder without it, and I am grateful every day that I was afforded such opportunities.I have been very privileged to have so many great mentors guiding me over the years.I am extremely grateful to my committee, who have been there from the start and provided valuable feedback and guidance on this thesis.Scott Wilson, thank you for your exceptional mentorship over the years, both with regards to my research and my career.Adam Smith,

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,076
score de la tête « metaresearch » (Gemma)0,246
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,076
Score d'incertitude au seuil0,402

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0760,246
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0140,016
Études des sciences et des technologies0,0050,010
Communication savante0,0190,040
Science ouverte0,0040,015
Intégrité de la recherche0,0040,008
Charge utile insuffisante (le modèle a refusé de juger)0,0060,002

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.

Tête enseignante Opus0,101
Tête enseignante GPT0,339
Écart entre enseignants0,238 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetSpecies Distribution and Climate Change→Travaux en français237 207→