Why bears consume mixed diets during fruit abundance
Notice bibliographique
Résumé
In many ecosystems, grizzly bears (Ursus arctos) and black bears (Ursus americanus) feed heavily on berries and fruits in the fall. While a few birds and mammals are exclusively frugivorous, bears and most other animals consume fruit as part of a mixed diet. The mixed-diet strategy avoids potential calcium, protein, amino acid, or other nutrient deficiencies that can occur on fruit diets. However, we hypothesized that the high carbohydrate - low protein content of fruit would increase energy metabolism and force bears to use dietary mixing to meet protein requirements and, thereby, reduce energy metabolism. We examined the effects of six plant-based diets containing from 2.3 to 35% crude protein on intake, maintenance costs, and efficiency of gain of captive grizzly and black bears. In addition, the food habits of six populations of wild grizzly and black bears were analyzed, to determine the crude protein and digestible dry matter content of their diets. Efficiency of gain (0.53 ± 0.02 (±SD) g gain/g digestible dry matter intake) did not differ across diets. However, maintenance costs differed, ranging from 24 g·(kg 0.75 ·day) -1 (120 kcal (1 cal = 4.1868 J) digestible energy (DE)·(kg 0.75 ·day) -1 ) on the 35% protein pelleted diet to 80 g·(kg 0.75 ·day) -1 (340 kcal DE·(kg 0.75 ·day) -1 ) on fruit diets containing 2.3-5.6% protein (P = 0.0001). Supplementation of the fruit diet with additional protein increased mass gain but did not completely reverse the growth-depressing effect of the fruit-only diet. Protein limitations or other characteristics of fruit diets that increase energy metabolism and intake may be strategies that also directly benefit plants, by increasing either seed dispersal or propagation.
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) | 0,020 | 0,001 |
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 ».