MétaCan
Menu
Retour à la cohorte
Enregistrement W1794808760 · doi:10.1371/journal.pone.0128314

A 9,000 Year History of Seal Hunting on Lake Baikal, Siberia: The Zooarchaeology of Sagan-Zaba II

2015· article· en· W1794808760 sur OpenAlexafffund
Tatiana Nomokonova, Robert J. Losey, Olga I. Goriunova, A. G. Novikov, Andrzej W. Weber

Notice bibliographique

RevuePLoS ONE · 2015
Typearticle
Langueen
DomaineHealth Professions
ThématiqueIndigenous Studies and Ecology
Établissements canadiensUniversity of AlbertaUniversity of British Columbia, Okanagan CampusUniversity of British Columbia
Organismes subventionnairesSocial Sciences and Humanities Research Council of CanadaUniversity of AlbertaIrkutsk State University
Mots-clésZooarchaeologyHoloceneArchaeologyPrehistoryUngulateSeal (emblem)FishingGeographyShoreFur sealFisheryEcologyBiology

Résumé

récupéré en direct d'OpenAlex

Sagan-Zaba II, a habitation site on the shore of Siberia's Lake Baikal, contains a record of seal hunting that spans much of the Holocene, making it one of the longest histories of seal use in North Asia. Zooarchaeological analyses of the 16,000 Baikal seal remains from this well-dated site clearly show that sealing began here at least 9000 calendar years ago. The use of these animals at Sagan-Zaba appears to have peaked in the Middle Holocene, when foragers used the site as a spring hunting and processing location for yearling and juvenile seals taken on the lake ice. After 4800 years ago, seal use declined at the site, while the relative importance of ungulate hunting and fishing increased. Pastoralists began occupying Sagan-Zaba at some point during the Late Holocene, and these groups too utilized the lake's seals. Domesticated animals are increasingly common after about 2000 years ago, a pattern seen elsewhere in the region, but spring and some summer hunting of seals was still occurring. This use of seals by prehistoric herders mirrors patterns of seal use among the region's historic and modern groups. Overall, the data presented in the paper demonstrate that Lake Baikal witnessed thousands of years of human use of aquatic resources.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,162
Score d'incertitude au seuil0,323

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,147
Tête enseignante GPT0,322
Écart entre enseignants0,175 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations26
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePLoS ONEMême sujetIndigenous Studies and EcologyTravaux en français237 207