Will using artificial intelligence to review camera trap images reduce human connection to wildlife research?
Notice bibliographique
Résumé
Abstract Camera traps have been widely adopted in wildlife research and management; however, the manual review of the large volumes of images they produce is time‐consuming and prone to errors. Artificial Intelligence (AI) platforms are becoming increasingly popular for automated image processing, as these tools can significantly reduce the time needed for reviewing images. Given the need for high‐quality, rapidly accessible data for implementing conservation actions in a changing world, the use of AI holds great promise for conservation. Despite the potential of AI, we raise concerns regarding the loss of the human element in wildlife data review. We argue AI may miss unexpected discoveries in images and diminish the personal connection to wildlife and conservation landscapes which is fostered through manual image review. As human values are pivotal in soliciting investment in conservation, AI may pose a risk through the loss of human connection to ecological systems. Further, outsourcing image review to AI represents a loss of training opportunities for the next generation of scientists. Manual review of images also engages citizen scientists in scientific discoveries, fostering enthusiasm for conservation careers and community support for conservation actions. While acknowledging the benefits of AI in processing wildlife camera trap images, we call for meaningful conversation on how AI should be used in the advancement of wildlife research. Given the recent challenges our field has faced with the advent of large language models (e.g., ChatGPT) in scientific training and research production, we should proactively begin conversations. We should prepare for discussion on alternative means of maintaining human connection to wildlife research, and alternative training opportunities for students and citizen scientists.
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 | 0,102 | 0,483 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,006 |
| Communication savante | 0,011 | 0,017 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,005 |
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 ».