Strengths and limitations of using participatory science data to characterize a wildlife mass mortality event
Notice bibliographique
Résumé
ABSTRACT Large participatory science (i.e., “community science” or “citizen science”) platforms are increasingly used at every level of ecological and conservation research, including disease monitoring. Here, we used a comprehensive, ground-truthed mortality dataset to judge how well participatory science data from iNaturalist represented the magnitude, taxonomic, temporal, and spatial patterns of waterbird mortality associated with a mass mortality event following the incursion of Highly Pathogenic Avian Influenza in eastern Canada in 2022. The iNaturalist dataset was effective at identifying species with high mortality (especially Northern Gannets, Morus bassanus ), along with the time period and spatial regions with high concentrations of avian deaths. However, iNaturalist data severely underestimated the magnitude, overestimated the taxonomic breadth, and poorly represented the full geographic scope of disease-related deaths. Our results suggest iNaturalist can be used to identify the species, timing, and location of relatively high mortality in situations where no other information is available, and to supplement conventional sources of data. However, iNaturalist alone can neither quantify the magnitude nor pinpoint the mechanisms of mortality and therefore is not a viable substitute for comprehensive mortality assessments.
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 | 0,077 | 0,239 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,006 | 0,010 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,005 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».