Ecology needs a causal overhaul
Notice bibliographique
Résumé
Ecology has yet to embrace causal inference, yet most questions in ecology are causal. Despite the common use of terms that imply causation, such as "shapes", "drives", or "impacts", many studies shy away from directly acknowledging their causal ambitions. This avoidance not only obscures the true intent of research but also underpins a broader challenge within the field's approach to science. Ecology relies heavily on observational data, and so the necessity for robust causal inference becomes paramount. However, causal methods are also needed for non-randomised experiments. We critique the predominance in ecology of scientifically empty statistical procedures that lack scientific clarity and value. We advocate for a shift towards explicit causal inference, arguing that understanding causality is not confined to randomised controlled trials but can also be enriched through observational data when paired with rigorous causal inference methodologies. This paper elucidates the common pitfalls in ecological studies, such as throwing all variables into an analysis, use of the Akaike information criterion (AIC) for model selection, the "Table 2 fallacy" and the misuse of controls: all of which can lead to misleading scientific understanding. The good news is that causal inference is not primarily a statistical problem, but rather a scientific one that is accessible to all ecologists. We can achieve reasonable progress by continuing to use the standard statistical toolbox based around regression models, familiar to many ecologists, paired with causal diagrams. For regression, causal inference is about understanding what we should condition on (good controls) and what we should not condition on (bad controls). We provide not only a critique but a constructive guide, aiming to demystify causal inference and encourage its adoption in ecological studies using familiar approaches. By doing so, we seek to elevate the quality and impact of ecological research, moving beyond routine convenient statistical procedures and towards a more scientifically sound and insightful understanding of ecology.
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 | 0,169 | 0,245 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,003 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,008 | 0,061 |
| Communication savante | 0,015 | 0,048 |
| Science ouverte | 0,006 | 0,013 |
| Intégrité de la recherche | 0,016 | 0,039 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,004 |
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 ».