MétaCan
Menu
Retour à la cohorte
Enregistrement W1943947229 · doi:10.1111/eva.12300

Using an integrative approach to investigate the evolution of behaviour

2015· review· en· W1943947229 sur OpenAlexafffund
Nadia Aubin‐Horth

Notice bibliographique

RevueEvolutionary Applications · 2015
Typereview
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAnimal Behavior and Reproduction
Établissements canadiensUniversité Laval
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaFonds Québécois de la Recherche sur la Nature et les TechnologiesUniversity of Bern
Mots-clésBiologyOrganismNatural selectionVariation (astronomy)Evolutionary biologyConvergent evolutionMechanism (biology)Selection (genetic algorithm)Diversity (politics)EcologyAdaptation (eye)Evolutionary ecologyCognitive scienceGeneNeuroscienceGeneticsPhylogeneticsPsychologyComputer scienceArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Behaviour is a central focus of interest in biology because it has an impact on several aspects of an organism's life. Evolutionary biologists have realised the advantage of an integrative approach that jointly studies the molecular, cellular and physiological levels of an individual to link them with the organismal behavioural phenotype. First, this mechanistic information helps in understanding physiological and evolutionary constraints acting on the behavioural response to the environment and its evolution. Second, it furthers our understanding of the process of molecular convergent evolution. Finally, we learn about natural variation in molecular, cellular and physiological traits present in wild populations and their underlying genetic basis, which can be a substrate for selection to act on. I illustrate these points using our work on behaviour variation in fishes. The information on the mechanistic bases of behaviour variation in various species and behaviours will contribute to an ecological annotation of genes and to uncover new mechanisms implicated in how this astonishing behavioural diversity arose, is maintained and will evolve.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,992
Score d'incertitude au seuil0,348

Scores Codex et Gemma par catégorie

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

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 Opus0,156
Tête enseignante GPT0,348
Écart entre enseignants0,192 · 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 tête enseignante, pas un consensus.

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

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

En bref

Citations10
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEvolutionary ApplicationsMême sujetAnimal Behavior and ReproductionTravaux en français237 207