Incorporating Social Information to Improve the Precision of Models of Avian Habitat Use
Notice bibliographique
Résumé
Correlations between habitat measures and animal distributions are not always applicable outside the study area that generated them. In such cases, the particularities of these correlations likely arise because only use of the local habitat has been quantified, rather than actual habitat selection, as the distribution models do not account for the behavior of animals in choice. The addition of covariates accounting for selection strategies could improve the precision and accuracy of correlative models of habitat use, but this conjecture has received little empirical attention. To evaluate this possibility, we re-assess previously developed habitat-use models for abundance of males of three grassland birds by explicitly including two measures of selection behavior: the “propensity to aggregate” and “propensity to use social information.” Habitat-use models for Nelson's Sharp-tailed Sparrow (Ammodramus nelsoni) were not improved by either behavioral variable. However, models for two other species, the Bobolink (Dolichonyx oryzivorus) and Savannah Sparrow (Passerculus sandwichensis), improved substantially through reduced prediction error (assessed with cross-validation) and were much more likely to be an appropriate model (by reducing the deviance of the fitted models). These results indicate that habitat-selection models can be an improvement over correlative habitat-use models. In our case, these improvements were limited to two species in which individuals use their conspecifics as cues of local habitat quality. However, numerous other measures of selection behavior can be included to improve upon certain habitat-use models, particularly when those models depart unexplainedly from optimality theory.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».