Data and Code: "Historic logbooks reveal spatial footprints of commercial whaling"
Notice bibliographique
Résumé
Dataset 1. Transcriptions of the 161 unpublished whaling voyages new to this study.Dataset 2. Bowhead whaling strike data digitized from map figures and tables in Reeves et al. 1983. “Distribution and Migration of the Bowhead Whale, Balaena mysticetus, in the Eastern North American Arctic”. <i>Arctic</i> <b>36</b>:1, 5-64. https://www.jstor.org/stable/40509468Dataset 3. Bowhead whaling strike data digitized from map figures in Ross and McIver 1982. “Distribution of the kills of bowhead whales and other sea mammals by Davis Strait whalers, 1829-1910”. Unpublished manuscript. Arctic Pilot Project, Petro Can., 55D-6th Ave., S.W. Calgary, Alberta, TIP-I44, Canada. 75 pages.Dataset 4. Standalone strike data of bowhead whales and other marine mammals from various other references. We treated strikes labelled “blackfish” as referring to bowhead whales Data from Townsend (1935) and Census of Marine Life were downloaded from the New Bedford Whaling Museum on 8 December 2022.Dataset 5. Cleaned bowhead whale strike data from Datasets 2-4, where we removed data with imprecise spatial and/or temporal descriptions.Dataset 6. Reconstructed whaling voyages in the Bering-Chukchi-Beaufort stock.Dataset 7. Reconstructed whaling voyages in the East Canada-West Greenland stock (including Hudson Bay).Dataset 8. Reconstructed whaling voyages in the East Greenland-Svalbard-Barents stock.Dataset 9. Input data for the Bayesian Structural Causal Model. X- and Y- coordinates are projected using the following CRS: "+proj=stere +lat_0=90 +lat_ts=71 +lon_0=-120 +datum=WGS84 +units=km +no_defs +ellps=WGS84".Software 1. R code for running the Bayesian hDCRW model using Rstan.Software 2. Stan code for the hierarchical Bayesian DCRW model.Software 3. R code for running the Bayesian Structural Causal Model.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,066 | 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 ».