A Case Study Leveraging Angler Reported Data For Whirling Disease Monitoring
Notice bibliographique
Résumé
Abstract The Bow River (Alberta, Canada) has a well-documented decline in its rainbow trout fishery, with several stressors attributed to this decline including whirling disease (WD). This study evaluated whether anglers could detect recruitment failure in WD-impacted areas of the Bow River drainage using a smartphone app-based citizen science initiative. Anglers reported age 1 and 2 rainbow and cutthroat trout identified by size distribution, estimated from a provincial database, across 4 sub-watersheds with varying densities of Myxobolus cerebralis actinospores (TAMs), a known predictor of WD severity. TAM densities ranged from undetectable (0 TAMs/L - Waiparous Creek) to moderate (< 0.01 TAMs/L - Sheep and Highwood Rivers) and high (> 0.01 TAMs/L - Jumpingpound Creek). No fish were captured in Jumpingpound Creek over 20.2 angling hours. The Highwood and Sheep Rivers had catch rates of 0.4 and 0.2 age 1 and 2 trout per hour over 30.6 and 27.7 hours, respectively. Waiparous Creek, where WD was absent, had a significantly higher catch rate of 2.2 trout per hour over 20.3 hours. These findings suggest that self-reported angler data can potentially help identify recruitment losses in WD-impacted areas, demonstrating a novel application of citizen science in fisheries research.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».