Examining spatial biases in the community science platform, iNaturalist, using British Columbia, Canada, as a case study
Notice bibliographique
Résumé
The ever-growing interest in community science platforms like iNaturalist and eBird is ushering in a new era of biodiversity and ecology research where researchers are overflowing with data across large geographical and temporal scales. However, these big and often unstructured data come with a cost, biases. These biases include temporal, spatial, and taxonomic biases in opportunistically collected community science datasets like the popular biodiversity platform, iNaturalist. There is a need to improve our knowledge of the biases on these platforms, so that the data can be used effectively. My thesis tackles this gap by examining spatial biases on the iNaturalist platform. My first study uses Maxent to model broad-scale spatial bias in iNaturalist observations in British Columbia, Canada. I ask: Where are iNaturalist users primarily observing? and What landscape features best explain the spatial bias? I find that distance to roads is the most important landscape variable explaining spatial bias. In my second chapter, I experimentally tested whether fine-scale spatial biases of trails affected taxonomic richness estimates on iNaturalist using paired timed transects with a team of iNaturalist observers. I found greater taxonomic richness on trails compared to away from trails and no difference in rare species observations between on and off trails, suggesting there is no loss of information by primarily surveying along trails. Overall, this research shows important variables to include to control for spatial bias when using iNaturalist data and provides reassuring evidence that fine-scale bias does not impede biodiversity surveying from community scientists.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».