MétaCan
Menu
Retour à la cohorte
Enregistrement W1999098784 · doi:10.1071/wr07071

Effects of drought on weight, survival and breeding success of agile antechinus (Antechinus agilis), dusky antechinus (A. swainsonii) and bush rats (Rattus fuscipes)

2007· article· en· W1999098784 sur OpenAlexaff
Marissa L. Parrott, Simon Ward, Peter Temple‐Smith, Lynne Selwood

Notice bibliographique

RevueWildlife Research · 2007
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueWildlife Ecology and Conservation
Établissements canadiensDepartment of Environment and Conservation
Organismes subventionnairesHolsworth Wildlife Research Endowment
Mots-clésBiologyEcologyZoologySeasonal breeder

Résumé

récupéré en direct d'OpenAlex

Extreme weather conditions, such as drought, significantly decrease the survival and breeding success of numerous species. Despite the frequent occurrence of such conditions in Australia, little is known about the effects of changing environmental conditions on the native small mammals. This study, conducted from 2002 to 2004, focussed on sympatric wild populations of the agile antechinus (Antechinus agilis), with more limited information on the dusky antechinus (A. swainsonii) and the bush rat (Rattus fuscipes). Bodyweights of agile antechinus before and during the breeding season were significantly lower in 2003 (drought) than in 2002 or 2004. Survival of female agile antechinus and the number of young per litter also decreased significantly during drought. In contrast, the dusky antechinus showed no difference in mean bodyweights between years, high survival rates of females and similar litter sizes in 2002 and 2003. There was also no difference in bodyweight of bush rats between years. Low rainfall was recorded during pregnancy and lactation in the agile antechinus, but rainfall was higher during pregnancy and lactation in the dusky antechinus. The survival and breeding success of the agile antechinus may have been adversely affected by a combination of interspecific competition, timing of the breeding season and severity of the drought.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,004
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

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)0,0010,000

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 GPT0,296
Écart entre enseignants0,277 · 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 source (Gemma direct ou Codex distillé), 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

Citations44
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWildlife ResearchMême sujetWildlife Ecology and ConservationTravaux en français237 207