Simulation and empirical analysis of novel sibship-based genetic determination of fish passage
Notice bibliographique
Résumé
We develop and test a new analytic approach, termed “sib-split”, to detect fish passage through road crossings. This new approach is based on the genetic analysis of full-siblings on opposite sides of potential barriers. We used simulations and data from two empirical case studies involving brook trout (Salvelinus fontinalis) movement with respect to barriers that varied in strength of effect on fish passage. Simulations revealed that both sib-split and the population assignment-based method (STRUCTURE) were highly accurate (mean accuracy > 99%) under easy-to-detect conditions (moderate to strong genetic differentiation and no movement). However, under difficult-to-detect simulated conditions (no genetic differentiation, 10% movement each generation), sib-split had higher accuracy (mean accuracy = 98%) than STRUCTURE (mean accuracy = 84%). Sib-split also outperformed STRUCTURE (mean accuracy 98% versus 89%) under a more difficult-to-detect simulated management scenario (simulated construction of a new complete barrier to movement). Sib-split provided more reliable and easily interpretable movement detection in both easy- and difficult-to-detect empirical case studies. With the empirical case studies, sensitivity to the prior on migration rate precluded use of STRUCTURE by itself, but a two-step approach where sib-split results were used to provide an informed migration prior for STRUCTURE provided additional information for both case 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 | 0,004 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».