Meta-Regression Analysis and Benefit Transfer in the Sportfishing Literature When Valuation Studies Contain Dependent Measurements
Notice bibliographique
Résumé
When compiling metadata for use in a meta-analysis, many of the underlying studies report multiple estimates leading to issues of correlation or dependence. This paper examines the effects of different models and treatments for within-study correlation on meta-regression (MR) analysis and their corresponding implications on benefit transfer (BT) performance. Treatments include weighted and panel data regression models on all estimates, or reducing the metadata by selecting a best estimate or calculating an average estimate for each study with multiple dependent estimates. Data treatments and regression-based methods are applied to metadata from the sportfishing literature and contains about 140 papers that provide 833 estimates of access values for fishing in the United States and Canada. Results show that the median absolute transfer errors are lower for the model based on a single value, i.e. averageand best-set metadata than models based on the full metadata, although some loss of information is engendered through these data treatment methods.
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 | 0,252 | 0,505 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,028 |
| Bibliométrie | 0,009 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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; 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 ».