Extensive gaps and biases in our knowledge of a well‐known fauna: implications for integrating biological traits into macroecology
Notice bibliographique
Résumé
ABSTRACT Aim Ecologists seeking to describe patterns at ever larger scales require compilations of data on the global abundance and distribution of species. Comparable compilations of biological data are needed to elucidate the mechanisms behind these patterns, but have received far less attention. We assess the availability of biological data across an entire assemblage: the well‐documented demersal marine fauna of the United Kingdom. We also test whether data availability for a species depends on its taxonomic group, maximum body size, the number of times it has been recorded in a global biogeographic database, or its commercial and conservation importance. Location Seas of the United Kingdom. Methods We defined a demersal marine fauna of 973 species from 15 phyla and 40 classes using five extensive surveys around the British Isles. We then quantified the availability of data on eight key biological traits (termed biological knowledge) for each species from online databases. Relationships between biological knowledge and our predictors were tested with generalized linear models. Results Full data on eight fundamental biological traits exist for only 9% (n= 88) of the UK demersal marine fauna, and 20% of species completely lack data. Clear trends in our knowledge exist: fish (median biological knowledge score = six traits) are much better known than invertebrates (one trait). Biological knowledge increases with biogeographic knowledge and (to a lesser extent) with body size, and is greater in species that are commercially exploited or of conservation concern. Main conclusions Our analysis reveals deep ignorance of the basic biology of a well‐studied fauna, highlighting the need for far greater efforts to compile biological trait data. Clear biases in our knowledge, relating to how well sampled or ‘important’ species are suggests that caution is required in extrapolating small subsets of biologically well‐known species to ecosystem‐level studies.
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 | 0,023 | 0,068 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».