MétaCan
Menu
Retour à la cohorte

Techniques for identifying predators of goose nests

2006· article· en· W1970013770 sur OpenAlexaboutno aff
R. Michael Anthony, James B. Grand, Thomas F. Fondell, David A. Miller

Notice bibliographique

RevueWildlife Biology · 2006
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAvian ecology and behavior
Établissements canadiensnon disponible
Organismes subventionnairesU.S. Forest ServiceU.S. Geological SurveyU.S. Fish and Wildlife Service
Mots-clésPredationNest (protein structural motif)GooseBiologyBrantaPredatorBird nestAnatidaeEcologyWaterfowlFisheryHabitatZoology

Résumé

récupéré en direct d'OpenAlex

We used cameras and artificial eggs to identify nest predators of dusky Canada goose Branta canadensis occidentalis nests during 1997–2000. Cameras were set up at 195 occupied goose nests and 60 artificial nests. We placed wooden eggs and domestic goose eggs that were emptied and then filled with wax or foam in an additional 263 natural goose nests to identify predators from marks in the artificial eggs. All techniques had limitations, but each correctly identified predators and estimated their relative importance. Nests with cameras had higher rates of abandonment than natural nests, especially during laying. Abandonment rates were reduced by deploying artificial eggs late in laying and reducing time at nests. Predation rates for nests with cameras were slightly lower than for nests without cameras. Wax-filled artificial eggs caused mortality of embryos in natural nests, but were better for identifying predator marks at artificial nests. Use of foam-filled artificial eggs in natural nests was the most cost effective means of monitoring nest predation.

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: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,034
Score d'incertitude au seuil0,296

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
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 Opus0,019
Tête enseignante GPT0,287
Écart entre enseignants0,268 · 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'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
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWildlife BiologyMême sujetAvian ecology and behaviorTravaux en français237 207