Harnessing Community Science for Seahorse Population Monitoring: Insights From the iSeahorse Programme in Tampa Bay
Notice bibliographique
Résumé
ABSTRACT Community science provides a valuable approach for population monitoring, offering benefits such as public engagement, cost‐effectiveness and broad geographic coverage. Seahorses are excellent candidates for community science monitoring because they are iconic and sedentary and because their cryptic nature and patchy distribution hampers formal professional research. We analysed data collected by a non‐profit organization for the iSeahorse programme. Data were collected by community members over a 5‐year period in two locations in Tampa Bay, Florida, using otter trawls and seines. Their data for the two local seahorse species ( Hippocampus erectus and Hippocampus zosterae ) were valuable in complementing professional science. Densities found in community monitoring were orders of magnitude lower than those found professionally, at least partly because the areas differed. However, sex ratios were similar in both areas, being predominantly female‐biased. Community data on timing of pregnancy confirmed professional findings but also extended the season. Usefully, community science provided the first published torso lengths of H. zosterae anywhere and of H. erectus in Tampa Bay. Beyond the biological, we interviewed the project leaders for their opinions on the programme's impact, challenges and areas for improvement, to give a societal context to the study. It became clear that there should had been more and ongoing communication between the non‐profit organization and the iSeahorse programme during the course of the surveys. Overall, our analysis endorses the strong potential of community science for population monitoring and its complementarity with professional science.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».