Notice bibliographique
Résumé
Enthusiasm for optimal foraging theory in the 1970s and 1980s stimulated much work on foraging by bees and, to a lesser extent, hummingbirds. These animals were assumed to be energetically stressed because they were nectarivorous, small, and dependent on costly forms of flight. Researchers sought to explain foraging in terms of movement patterns that saved energy. For example, Pyke (1981) derived movement rules both within and between inflorescences. He compared observed directions and distances of movements following departure from a flower to optimal predictions, under the assumption that the animals should maximize their net rate of energy intake. Pyke (and many others) also assumed that animals would have imperfect knowledge about their environments, particularly with regard to predictions as to what and where to find food in the future. In addition to using statistical rules (Pyke 1984), such animals should always sample in order to track an ever-changing world. Despite the power and appeal of this viewpoint, we now see growing evidence that simple rules and patterns alone cannot explain foraging in hummingbirds. Here, we review how learning and memory influence hummingbird foraging and how memory might affect the ways in which hummingbirds pollinate plants. Much of a hummingbird's diet is derived from the nectar of flowers that, in turn, rely on hummingbirds for pollination. These flowers frequently provide only a few mg of sugar daily (Kodric-Brown & Brown 1978). Hummingbirds therefore must visit many flowers on each feeding bout, transferring pollen among flowers in the process.
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 | 0,000 | 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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».