Biodiversity futures: digital approaches to knowledge and conservation of biological diversity
Notice bibliographique
Résumé
Biodiversity, encompassing species diversity, genetic resources, and ecosystems, is essential for human well-being and quality of life. However, the scale of human activities has significantly impacted the planet's biodiversity, with many species facing extinction in the coming decades with unknown consequences. Global commitments, such as the Aichi Biodiversity Targets and the United Nations (UN) Sustainable Development Goals, are not delivering consistent results, and progress on conservation has been frustratingly slow. With a short time frame to meet the 2030 targets of the Kunming-Montreal Global Biodiversity Framework, urgent action is needed to address the crisis. Digital technologies emerge as indispensable tools in understanding, monitoring, and conserving biodiversity. They offer multiple solutions, from remote sensing to citizens involvement mediated by science apps, providing unprecedented volumes of data and innovative tools for conservation efforts. Despite their immense potential, digital solutions raise concerns about technology and data accessibility, environmental impacts, and technical limitations, as well as the need for specialized human resources, robust collaboration networks, and effective communication strategies. This paper, drawn from discussions at the Digital with Purpose Global Summit in 2023 and 2024, held in Portugal, and complemented by expert opinion and literature, reflects on existing biodiversity-related digital technologies, identifies challenges and opportunities, and proposes steps to strengthen the nexus between technology and the biodiversity agenda. By providing science and technology stakeholders with recommendations on accelerating the role of digital technologies in biodiversity knowledge and conservation, it aims to catalyse impactful change in this critical field of devising brighter futures for biodiversity and humanity.
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 | 0,011 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,007 |
| Études des sciences et des technologies | 0,005 | 0,025 |
| Communication savante | 0,022 | 0,031 |
| Science ouverte | 0,003 | 0,017 |
| Intégrité de la recherche | 0,007 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,002 |
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 ».