Quantitative methods for defining mast‐seeding years across species and studies
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract: Although there is a quantitative method that is commonly used for identifying mast‐seeding behaviour of a plant population based on the coefficient of variation (i.e. CV is standard deviation/mean>1), there is no general quantitative method for delineating “mast” as opposed to “non‐mast” years. Mast years are, however, described qualitatively as years when “large”, “unusually large” and “high” seed production occurs. The use of a consistent and generally applicable method for delineating mast years across species and plant populations is important for synthesizing knowledge of the causes and consequences of mast seeding, which could be confounded by using different methods among studies. We examine six quantitative methods for identifying mast years: four methods from the literature and two methods developed here. We use 36 seed production datasets covering a variety of species with ≥10 years of data to test the performance of these six methods. For each method, we quantify the percentage of the datasets to which the method could be successfully applied, the magnitude of the mast year relative to the mean, the frequency of mast years and the occurrence of consecutive mast years. The majority of the methods failed to meet the criteria for a suitable method. The best method used the number of standard deviates (standardized deviate method) of the annual mean seed production from the long‐term mean of the dataset to identify mast‐seeding years. General results from the standardized deviate method include that the occurrence of mast‐seeding years is largely unrelated to plant population CV, but similar across species and data collection methods.
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.
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 | 0,002 | 0,001 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 découle