Growing disparity in global conservation research capacity and its impact on biodiversity conservation
Notice bibliographique
Résumé
Growing disparity in global conservation research capacity and its impact on biodiversity conservation Lu Zhang1,2#, Li Yang1#, Colin A. Chapman3,4,5,6, Carlos A. Peres7,8, Tien Ming Lee1,2*, & Peng-Fei Fan1* 1School of Life Sciences, Sun Yat-Sen University, Guangzhou, China 2School of Ecology, Sun Yat-Sen University, Shenzhen, China 3Woodrow Wilson International Center for Scholars,1300 Pennsylvania Avenue NW, Washington DC, USA 4Biology Department, Vancouver Island University, 900 Fifth Street, Nanaimo, British Columbia, Canada 5School of Life Sciences, University of KwaZulu-Natal, KwaZulu-Natal, South Africa 6The College of Life Sciences, Northwest University, Xi’an, China 7School of Environmental Sciences, University of East Anglia, Norwich, UK 8Instituto Juruá, Manaus, Brazil #These authors contributed equally to this work. *Correspondence: fanpf@mail.sysu.edu.cn; leetm@mail.sysu.edu.cn Abstract: To achieve the 2030 Agenda for Sustainable Development and the 2050 Vision for Biodiversity, the Kunming Declaration (COP-15) commits to increasing biodiversity conservation capacity in developing countries. Yet, a global evaluation of conservation research capacity (CRC) and its impact on biodiversity conservation is still lacking. Here, by analyzing over 177,000 scientific papers from major conservation journals published after 2000, we derived six indicators of CRC and monitored their changes for the 193 United Nations member countries. We found that while CRC expectedly varied globally, the disparity in CRC between the top- and bottom echelons grew over time. While most CRC indicators improved biodiversity conservation status (i.e., the IUCN Red List Index) in high-CRC countries, only the number of collaborating countries had a positive impact for low-CRC countries. Therefore, building CRC must be a top conservation priority and high-CRC countries must lend greater support for low-CRC countries through meaningful collaborations, and funding truly collaborative research in low-CRC developing countries. ########data info######### 1 readme.txt Detail info for Rdata, please read before you use our code 2 Rdata 3 code.zip Including three code files: 1) 0 calculate function exclude oversea.R basic infor for calculation 2) 1 extract data.R Fist step for data cleaning, more detail provided in the file 3) 2 extract research location.R Final step for data extraction. 4) Supplemental Tables Including 8 sheet in this table: Table S1. Correlation (Spearman rho) between indicators of conservation research capacity Table S2. Detailed information of the indicators of conservation research capacity for all the 193 countries Table S3. Contributing variables used to model RLI changes of sovereign countries Table S4. A sensitivity analysis to evaluate the effect of publication cutoff (and hence CRC class division) on the RLI change regression analysis Table S5. Language composition of publications obtained from the Scopus database, based on journals listed in the minor subject area of “Nature and Landscape Conservation” in Scopus (n=189), and a combined journal list includes those from Scopus and journals in the category of “Biodiversity Conservation” in the Web of Science Core Collection (n=229) Table S6. A combined list of journals used to collect publications for further analyses Table S7. Comparisons of contributing variables (Mean ± SD) between countries with high- and low conservation research capacity (CRC) Table S8. Correlation (Spearman rho) between contributing variables used to predict Red List Index change for all sovereign countries (n =181)
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 | 0,025 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,008 | 0,009 |
| Science ouverte | 0,001 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 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 ».