Too Few, Too Many, or Just Right? Optimizing Sample Sizes for Population‐Level Inferences in Animal Tracking Projects
Notice bibliographique
Résumé
ABSTRACT Successful animal tracking projects depend on well‐informed sampling strategies and robust methods to yield biologically meaningful inferences. Considering financial and logistical constraints, the reliability of research outputs is shaped by key decisions regarding study duration ( how long should each individual be tracked?), sampling frequency ( how often should new locations be collected?), and how many individuals should be tracked. To maximize their conservation value, studies must consider estimator precision and avoid biased inferences of key parameters related to movement behavior and space use, as this can lead to wasted resources and misguide management actions. To address these challenges, we propose a workflow for determining the optimal sample sizes for population‐level home range area and speed estimates, explicitly addressing the trade‐offs between sampling duration (), sampling interval (), and population sample size (). While a priori study design is considered best practice, this workflow can be applied at multiple stages, including concurrent with data collection, or as a post hoc evaluation. By selecting robust methods that are sampling‐insensitive, and by quantifying and propagating uncertainty through downstream analyses, we can determine whether our sample sizes (both at the individual‐ and population‐level) are sufficient to yield robust population‐level inferences. Furthermore, researchers can integrate additional logistical constraints such as fix success rate, location error, and potential device malfunctions, while also accounting for individual variation. We illustrate potential applications of this workflow through empirically‐guided simulations. To facilitate its use and implementation, we incorporated this workflow into the user‐friendly ‘movedesign’ R Shiny application. This application enables researchers to easily test different sampling strategies, and as of version 0.3.3, integrates population‐level analytical targets. This workflow has the potential to improve the rigor and reliability of animal tracking projects conducted under logistical and financial constraints, and thereby support more effective scientific research, wildlife management, and conservation efforts.
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 | 0,051 | 0,150 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».