능동 학습 (Active learning)은 이제 생태학적 데이터를 레이블링하는 표준적인 관행이 되었으며, 생태학자들이 자연 환경을 이해하고 모니터링하기 위해 대량의 현장 데이터를 빠르게 처리할 수 있도록 돕고 있습니다. 현재의 관행은 능동 학습을 귀납적 (inductively)으로 평가하며, 별도로 분리된 테스트 세트 (held-out test set)에서 예측 성능을 추정합니다. 우리는 이러한 평가 방식이 데이터 풀 전체를 가능한 한 효율적으로 전이적 (transductively)으로 레이블링하는 것을 목표로 하는 대부분의 생태학적 과업과는 일치하지 않는다고 주장합니다. 우리는 인간 참여형 (human-in-the-loop) 과정을 무시할 경우, 특히 불균형적으로 큰 생태학적 중요성을 가질 수 있는 롱테일 (long tail) 클래스(희귀 종, 흔치 않은 행동 등)에 대해 지속적인 레이블링의 중요성을 과소평가하게 된다는 점을 입증합니다. 우리의 분석에 따르면, 이러한 롱테일의 경우 전이적 목적 함수는 중요도를 예측 (prediction)에서 발견 (discovery)으로 전환시킵니다. 즉, 진정한 도전 과제는 잠재 기하학 (latent geometry) 내에서 풍부한 클래스들이 밀집된 영역에 박혀 있는 희귀 클래스의 사례, 즉 "건초더미 속의 바늘"을 찾는 것이 되며, 우리는 이를 샘플링 난이도 (sampling difficulty)라는 새로운 지표로 정량화합니다. 마지막으로, 이러한 통찰을 실제 생태학적 워크플로우에 적용하기 위해, 우리는 생태학적 희소 곡선 (ecological rarefaction curves)에서 영감을 얻은 보수적인 하이브리드 중단 기준 (hybrid stopping criterion)을 제안합니다. 또한 예측 성능과 발견 기준을 결합함으로써 롱테일 데이터 풀에서의 조기 중단을 줄이고, 분류 (classification)가 아닌 발견 (discovery)이 제한 요인인 경우 희귀 클래스 회복률을 향상시킨다는 것을 보여줍니다.