Globally aggregated biodiversity data impact predictive and descriptive research
Notice bibliographique
Résumé
Here, we present an analysis of the growth and use of the Global Biodiversity Information Facility (GBIF) over the last 5 y. GBIF is the world's largest data integrator for biodiversity information and plays a central role in research across the biodiversity and evolutionary science community. With the help of a comprehensive bibliographic dataset comprising 12,193 studies that used GBIF-mediated data, we demonstrate how the global scientific community utilizes the continuously fast-growing amount of open and Findable, Accessible, Interoperable, and Reusable biodiversity data in their research. Overall, more researchers engage with GBIF data, a potential consequence of the rising demands of more global environmental assessments, where GBIF-mediated data are being used as a key resource for biodiversity research. Studies utilizing species distribution modeling were most prevalent and data used for topics related to challenges of the Anthropocene (conservation, climate change, invasive, and pest species). More studies used observational data records, a category that also includes a substantial amount of citizen science data. Our data show that a thematic diversification of GBIF-using literature is accompanied by a rapid diversification of both the additional datasets that GBIF data are analyzed with, as well as the new analytical approaches taken by researchers. This emphasizes the growing importance of GBIF's data infrastructure and services which support global sciences and reflect major shifts in applied science which dictate the need for GBIF and similar data infrastructures to evolve rapidly in order to maintain relevance for research.
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 | 0,039 | 0,156 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,020 | 0,043 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,012 | 0,015 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».