MétaCan
Menu
Retour à la cohorte
Enregistrement W2019988542 · doi:10.1098/rspb.2008.0829

A simple and general explanation for the evolution of altruism

2008· article· en· W2019988542 sur OpenAlexaff
Jeffrey Fletcher, Michael Doebeli

Notice bibliographique

RevueProceedings of the Royal Society B Biological Sciences · 2008
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueEvolutionary Game Theory and Cooperation
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésAltruism (biology)Inclusive fitnessKinshipSimple (philosophy)Kin selectionNatural selectionConfusionSelection (genetic algorithm)PsychologyGenetic similarityGroup selectionSocial psychologyComputer scienceBiologyEvolutionary biologyEpistemologySociologyArtificial intelligencePopulation

Résumé

récupéré en direct d'OpenAlex

We present a simple framework that highlights the most fundamental requirement for the evolution of altruism: assortment between individuals carrying the cooperative genotype and the helping behaviours of others with which these individuals interact. We partition the fitness effects on individuals into those due to self and those due to the 'interaction environment', and show that it is the latter that is most fundamental to understanding the evolution of altruism. We illustrate that while kinship or genetic similarity among those interacting may generate a favourable structure of interaction environments, it is not a fundamental requirement for the evolution of altruism, and even suicidal aid can theoretically evolve without help ever being exchanged among genetically similar individuals. Using our simple framework, we also clarify a common confusion made in the literature between alternative fitness accounting methods (which may equally apply to the same biological circumstances) and unique causal mechanisms for creating the assortment necessary for altruism to be favoured by natural selection.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,029

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,003
Communication savante0,0010,002
Science ouverte0,0020,002
Intégrité de la recherche0,0030,002
Charge utile insuffisante (le modèle a refusé de juger)0,0090,002

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 Opus0,040
Tête enseignante GPT0,284
Écart entre enseignants0,243 · 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'étudeThéorique ou conceptuel
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

Citations484
Publié2008
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the Royal Society B Biological SciencesMême sujetEvolutionary Game Theory and CooperationTravaux en français237 207