Monitoring with multiple goals: Bayesian methods for changing objectives
Notice bibliographique
Résumé
Long-term monitoring is essential for wildlife conservation. Most wildlife population attributes require long-term monitoring to evaluate. Over the time for attributes to resolve through monitoring, however, information needs change. Existing frameworks to accommodate information need changes, such as adaptive monitoring and management, are built for large-scale, programmatic changes. Often, smaller, rapid changes are necessary. Fortunately, information needs can change predictably in wildlife monitoring, even when little is known about populations. Predictable changes include the desire to answer: 1) is the species present?; 2) are multiple individuals present?; 3) is breeding occurring?. We suggest long-term monitoring can accommodate these changes. We propose Goal Efficient Monitoring (GEM), an approach that uses a Bayesian integrated population model (BIPM) to accommodate changing information needs through: a BIPM that links population state changes (e.g., present, multiple individuals present) to population dynamics (e.g., abundance, demographic rates); and sampling rules to allocate effort observation effort based on current knowledge. To test the efficacy of a GEM approach, we ask two research questions: 1) can implementing a GEM approach provide robust population estimates?; and 2) do GEM sampling rules in multiple long-term monitoring settings (i.e., population sizes) accommodate changing questions while providing continual, reliable population inference? To answer these questions, we built a BIPM and conducted a simulation study for a rare species in the US, Canada lynx ( Lynx canadensis ). We simulated lynx populations under five different starting conditions and simulated a GEM approach (10 years of simulated observations with GEM sampling rules), then used our BIPM model to produce estimates and predictions. In 93 % of simulations, 95 % credible intervals for BIMP estimates contained the true value for all biological (abundance of all sexes and age classes, birth events, survival, state transition probabilities) and observation variables (detection probabilities). We demonstrate how a GEM approach can provide reliable long-term inference while being responsive to shifting information needs.
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 | 0,016 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,007 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».