The role of non-English-language science in informing national biodiversity assessments
Notice bibliographique
Résumé
Consulting the best available evidence is key to successful conservation decision-making. While much scientific evidence on conservation continues to be published in non-English languages, a poor understanding of how non-English-language science contributes to conservation decision-making is causing global assessments and studies to practically ignore non-English-language literature. By investigating the use of scientific literature in biodiversity assessment reports across 37 countries/territories, we have uncovered the established role of non-English-language literature as a major source of information locally. On average, non-English-language literature constituted 65% of the references cited, and these were recognized as relevant knowledge sources by 75% of report authors. This means that by ignoring non-English-language science, international assessments may overlook important information on local and/or regional biodiversity. Furthermore, a quarter of the authors acknowledged the struggles of understanding English-language literature. This points to the need to aid the use of English-language literature in domestic decision-making, for example, by providing non-English-language abstracts or improving and/or implementing machine translation. (This abstract is also avaialble in 21 other languages in Supplementary Data 4)
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 | 0,271 | 0,514 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,045 | 0,031 |
| Études des sciences et des technologies | 0,004 | 0,009 |
| Communication savante | 0,025 | 0,030 |
| Science ouverte | 0,004 | 0,014 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,024 | 0,005 |
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 ».