Geographic, Taxonomic and Metric Gaps in Biodiversity Research Limit Evidence‐Based Conservation in Agricultural Landscapes: An Umbrella Review
Notice bibliographique
Résumé
Agriculture is fundamentally dependent on biodiversity, yet unsustainable management practices increasingly threaten various organisms and ecosystem services. Confronting the global crisis of biodiversity loss requires a thorough understanding of the gaps, clusters and biases in existing knowledge across various management practices, spatial scales, and taxonomic groups. We undertook a comprehensive literature review, synthesising secondary data from 200 meta-analyses on agricultural management impacts on biodiversity in croplands. Our systematic map covers 1885 comparisons (mean effect sizes), from over 9000 primary studies. In the latter, seven high-income countries prevail (notably the USA, China and Brazil), with particular focus on fertiliser use, phytosanitary interventions and crop diversification. This emphasis on individual practices overshadows research at the farm and landscape levels. In secondary evidence, arthropods and microorganisms are most frequently studied, while annelids, vertebrates and plants are less represented. Evidence predominantly stems from averaged abundance data, revealing substantial gaps in studies on functional and phylogenetic diversity. Our findings highlight the need to analyse combinations of multiple practices to accurately reflect real-world farming contexts, and covering a wider range of taxa, biodiversity metrics and spatial levels, to enable evidence-based conservation strategies in agriculture. Given the uneven evidence on agricultural impacts, caution is required when applying meta-analytical findings to public policies and global assessments.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».