An Integrated Framework for Estimating the Number of Classes with Application for Species Estimation
Notice bibliographique
Résumé
The two most common approaches for estimating the number of distinct classes within a population are either to use sampling data directly with combinatorial arguments or to extrapolate historical discovery data.However, in the former case, such detailed sampling data is often unavailable, while the latter approach makes assumptions on the form of parametric curves used to fit the discovery data, that are often lacking in theoretical justification.Instead, we propose an integrated transdisciplinary framework that dissolves the boundaries between the above two approaches.This is achieved by directly describing the samplingdiscovery process in parallel with describing a co-variate latent eort process, where we have historical discovery data for the former process and some proxy data for the latent process.The linkage between these two processes allows one to form data on sampling records by forcing some constraints on how many samples were taken over time.Due to the nature of the constrained data, many inference techniques become infeasible.However, simulation-based methods such as Approximate Bayesian Computation remain available.Our proposed approach is demonstrated and analysed through many simulation experiments, and finally applied in the ecology field to estimate the number of species as an example of the number of classes problem.Doing my PhD research has been a unique and rewarding journey.I am grateful to all the circumstances that led me to this intellectual point in my life that reflected on my academic knowledge and personality.
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 | 0,004 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».