Beyond guides, protocols and acronyms: Adoption of good modelling practices depends on challenging academia's status quo in ecology
Notice bibliographique
Résumé
Implementing good modelling practices (GMP) in ecological sciences is key to improving scientific reliability. Despite the increased availability of guidelines and protocols detailing how principles such as FAIR and PERFICT can be implemented to improve good modelling practices, the sharing of code which can reproduce results and workflows remains remarkably low. In this work, we explore potential root causes of this discrepancy. We identify three key factors inherent to the current academic structure that, in our experience, might play a role in hindering a wider adoption of GMP: (1) acknowledgment of the time required to implement GMP in projects, (2) the lack of GMP and software development training among ecologists, and (3) perception of GMP as unrewarding in the short-term. We argue that there is an urgent need for systemic changes. Such changes include (1) a cultural shift to value the incorporation of GMP across projects, emphasising the need for explicit budget allocation and careful scheduling of its implementation, (2) redesigning academic curricula to explicitly include GMP and software development as fundamental disciplines in ecology, and (3) an increase in recognition of open and functional code and workflows for career advancement. We call for concerted efforts for bridging this gap, and propose a hopeful outlook emphasising the role of a new generation of scientists and tools committed to good science. Proposing concrete actions, we aim to start a discussion on challenging academia's status quo in ecology and support scientists in bringing a significant paradigm shift to ecological modelling.
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 | 0,111 | 0,209 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,005 | 0,011 |
| Études des sciences et des technologies | 0,006 | 0,020 |
| Communication savante | 0,017 | 0,026 |
| Science ouverte | 0,007 | 0,010 |
| Intégrité de la recherche | 0,009 | 0,018 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,025 |
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 ».