Une liste des plantes vasculaires exotiques nuisibles du Québec: nouvelle approche pour la sélection des espèces et l'aide à la décision
Bibliographic record
Abstract
RésuméLes plantes vasculaires exotiques étant toujours de plus en plus nombreuses, il importe de développer des outils qui aideront les gestionnaires de l'environnement à identifier les espèces les plus problématiques. L'outil de base en la matière est une liste des plantes nuisibles. Dans cet article, nous proposons une liste pour le Québec constituée grâce à une approche qualitative innovante basée sur 1) l'adoption de critères d'évaluation explicites, 2) la prise en compte de l'ensemble des types de nuisance, 3) l'utilisation de données scientifiques crédibles, 4) la constitution d'un panel d'experts diversifié comprenant des utilisateurs potentiels de la liste, 5) l'encadrement des membres du panel par une approche d'aide à la décision et 6) l'instauration du débat pour l'évaluation du caractère nuisible des plantes. Au total, 87 des 908 taxons de plantes vasculaires exotiques naturalisées au Québec ont été retenus par le panel d'experts comme plantes nuisibles, soit 9,6 % de l'ensemble. Les deux tiers des plantes désignées comme nuisibles le sont, à des degrés divers, pour les productions agricoles, horticoles ou forestières. Suivent, dans l'ordre, les nuisances pour la biodiversité ou le maintien des fonctions écosystémiques, celles pour la santé, celles pour l'horticulture ornementale ou l'aménagement paysager et celles pour les activités de loisir. Il a été difficile de statuer sur la nuisance pour la biodiversité, la plupart des espèces exotiques n'ayant pas fait l'objet d'études approfondies à cet égard. En définitive, l'adoption de critères faisant consensus a eu pour effet de réduire fortement (presque par un facteur de 3) le nombre de taxons d'une liste qu'on aurait pu constituer à partir d'opinions d'experts sollicitées sur une base individuelle, sans critères précis. Bien que cette liste ne soit pas définitive et qu'elle doive être interprétée avec prudence, nous croyons que l'approche proposée ici est supérieure, quant à sa rigueur, aux autres approches qualitatives développées à ce jour et que sa performance est au moins équivalente à celle des approches semi-quantitatives ou quantitatives fréquemment utilisées, comme le Australian Weed Risk Assessment.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".