A systematic review evaluating the performance of eDNA methods relative to conventional methods for biodiversity monitoring
Notice bibliographique
Résumé
The rapid adoption of environmental DNA (eDNA) methods has drastically changed biodiversity monitoring efforts. It is often claimed that eDNA methods are more sensitive and efficient than conventional biodiversity monitoring methods, but it is often unclear what metrics support this claim. There have been many direct comparative studies between eDNA and conventional methods; several supporting the increased sensitivity and efficiency of eDNA methods, others finding the opposite. Here, we systematically review all comparative studies between eDNA and conventional methods published between 2008 and 2023. We review various metrics used to evaluate the relative performance of eDNA methods and whether study characteristics influenced comparative outcomes. We found that eDNA is more likely to provide increased estimates of sensitivity metrics (i.e. species richness and detection probability) and lower estimates of efficiency metrics (i.e. cost and sampling time/effort). However, eDNA methods displayed their own biases, often recovering communities distinct from those revealed via conventional methods. While eDNA methods were capable of describing abundance and improving taxonomic resolution, we observed substantial variation. Trends in comparative outcomes were consistent across study characteristics, but we highlight areas that have received little exploration into the relative performance of eDNA, including across much of the Global South and the ability of eDNA to monitor temporal changes in biodiversity. Our review provides a comprehensive examination of eDNA comparative studies and delivers clarity to conservation professionals on where, when, and how eDNA methods are likely to add value to biodiversity monitoring initiatives.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».