Species-level, digitized wildlife trade data are essential for achieving biodiversity targets
Notice bibliographique
Résumé
A fundamental data disconnect is hampering efforts to assess the global legal wildlife trade and stop illegal practices.On one hand, traders require speed and efficiency for completing documents for transactions and biosecurity screening, and they achieve this by aggregating species information in Harmonized System (HS) codes (1).On the other, scientists and policymakers require detailed species-level data to assess and monitor threats to biodiversity and biosecurity.Caught in between are the inspectors.They aim to balance the needs of legal trade industry, while, at the same time, ensuring biosecurity, mitigating illegal or invasive species, and making sure that protected and endangered species are traded in globally agreed quotas.The immense volume of wildlife trade (including, but not limited to, body parts, products and derivatives, food and medicines, live animals, plants, and fungi) represents a unique opportunity to collect species-level information.Within these trade value chains, data flows are routinely constricted (Fig. 1)-for example, at customs points and relevant inspectorates (2, 3) or through online e-commerce merchandising sites and commercial carriers (4, 5).Despite these concentrated data sources, our knowledge of the quantity of the wildlife trade is extremely fragmented, and the resulting knowledge of its impact on biodiversity loss and threats to biosecurity are notably limited (3, 6, 7).We posit that shipment Wildlife inspectors, like this one at New York's John F. Kennedy International Airport, aim to balance the needs of the legal wildlife trade, while, at the same time, ensuring biosecurity, stopping invasive species, and making sure protected and endangered species are traded in globally agreed quotas.These inspectors need better, more high-tech tools to accomplish these goals.
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 | 0,005 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,016 | 0,015 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,007 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,011 |
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 ».