Mobile Applications to Conservation Applications: Incentivizing FAIR Principles of Data Management by Providing Users with Flexible Mobile Data Collection Tools
Notice bibliographique
Résumé
Robust, accessible data are critical for the conservation of biodiversity. Biodiversity monitoring data is collected by numerous professional and volunteer projects all over the world, but finding and accessing these disparate datasets for use in research and conservation is problematic. Integrating individual datasets into a metadatabase that abides the FAIR principles by being Findable, Accessible, Interoperable, and Reusable may be the best way to maximize the usefulness of these abundant data, but barriers such as cost and a lack of access to necessary tools may prohibit this. Birds Canada seeks to resolve this long-standing issue with the NatureCounts mobile app. The app’s extremely flexible and customizable data architecture accommodates a wide variety of data collection methodologies. Users define protocols tailored to their monitoring project, then the app dynamically renders user-friendly and intuitive data entry forms specific to each of the project’s protocols. In this way, it can provide mobile data entry support to almost any standardized avian survey with just a few hours of setup. The app includes many innovative tools, such as a first-of-its-kind point-count feature that uses satellite imagery to improve and digitize one of the most important methodologies for biodiversity monitoring. Data collected through the app flow into the FAIR-abiding NatureCounts database, which—at 360 million records—is the largest biodiversity database in Canada. Data in NatureCounts can be made available via browser-based tools, an R package, and several data products. NatureCounts supports over 9000 data requests annually from the conservation community. Data from NatureCounts have been used for species assessments, land use planning, impact assessment, climate change mitigation, and over 4200 scientific publications to date. Flexible data access permissions support the security of sensitive records and Indigenous data sovereignty. Where data permissions allow, datasets collected through the app can also be integrated into the Global Biodiversity Information Facility (GBIF). By improving accuracy in several key areas and removing the tedious step of data transcription, the app offers immense time and cost savings and reduces errors. Its user-friendly interface (Fig. 1) walks observers through protocols, ensuring consistency and increasing accessibility for staff and volunteers of varying skill levels. These benefits incentivise programs to adopt the platform. In doing so, their data are integrated into a FAIR repository at the outset, eliminating the need for re-formatting and integration, steps which are often overlooked or unfunded. By providing software tools across the data pipeline, from collection through application, the NatureCounts platform seeks to support projects in collecting robust data and meeting the FAIR principles of data management. This support allows projects of all sizes and capacities to make a positive contribution to the data landscape and to achieve the targets of the The Kunming-Montreal Global Biodiversity Framework (Convention on Biological Diversity 2022).
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 | 0,012 | 0,059 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,009 | 0,014 |
| Science ouverte | 0,005 | 0,020 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,039 | 0,025 |
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 ».