Methodological improvements in uncertain classification of individual-level demographic measurements: Improving reliability of inferences from citizen-science and field data
Notice bibliographique
Résumé
Abstract: Both professional and citizen-science field work often generate uncertain sample measurements. Definitive age and sex determinations can be notoriously difficult and/or costly to ascertain for specific individuals in the field, and even correct species identification can be problematic in citizen-science endeavours. While a variety of statistical techniques exist for quantifying such uncertainty at the population or sample level, when this uncertainty exists at the level of the individual datum, analysts are either forced to treat the unit-level information as definitive or discard it altogether. Either approach can introduce bias into subsequent sample estimates and necessarily mischaracterizes their associated measures of uncertainty. In this presentation, we will discuss random-variable-valued measurements, a new approach that we have developed to directly incorporate the sample-unit-level uncertainty of measurements into traditional data analysis, and introduce software for easy implementation. Our approach allows analysts to properly utilize field measurements on individuals that are both definitive and tentative (e.g. partial/uncertain sex or age measurements), improving the accuracy and reliability of resulting inferences that are crucial for the quantification of seabird population demographics. Authors: Edward Kroc¹, Louise Blight² ¹University of British Columbia, ²Procellaria Research & Consulting
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 | 0,257 | 0,568 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,005 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; 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 ».