Transparency and reproducibility in invasion science
Notice bibliographique
Résumé
Policymakers and practitioners overseeing invasive species management depend on reliable research for guidance. Transparency and reproducibility are core features of reliable research, and prerequisites for outcomes to be independently replicated within the same or different systems. These features are evidently lacking in many science disciplines, including Ecology. In this discussion paper, we first report the findings of an assessment of 49 primary research studies that were part of a systematic mapping effort, showing that invasion science research exhibits the same shortfalls as ecology research more broadly. For instance, only one study explicitly considered statistical power in the methods describing study design, and only 2 studies provided access to both data and code, which is the minimum requirement for computational reproducibility. We then discuss the implications that low statistical power has for published invasion science research, for designing studies, and for policymakers and practitioners relying on primary research to inform their decisions. We then make specific recommendations, targeting the same stakeholders as well as publishers, on how to maximize the reliability of invasion science research moving forward. This includes explicitly considering and ideally estimating statistical power, undertaking a study pre-registration, making all relevant code and non-sensitive raw data accessible and useable, and devising and upholding clear and consistent policies on transparent reporting and open materials.
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 | 0,725 | 0,864 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,012 | 0,012 |
| Études des sciences et des technologies | 0,010 | 0,071 |
| Communication savante | 0,030 | 0,038 |
| Science ouverte | 0,008 | 0,027 |
| Intégrité de la recherche | 0,010 | 0,016 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».