Best practices for use of stable isotope mixing models in food-web studies
Notice bibliographique
Résumé
Stable isotope mixing models are increasingly used to quantify consumer diets, but may be misused and misinterpreted. We address major challenges to their effective application. Mixing models have increased rapidly in sophistication. Current models estimate probability distributions of source contributions, have user-friendly interfaces, and incorporate complexities such as variability in isotope signatures, discrimination factors, hierarchical variance structure, covariates, and concentration dependence. For proper implementation of mixing models, we offer the following suggestions. First, mixing models can only be as good as the study and data. Studies should have clear questions, be informed by knowledge of the system, and have strong sampling designs to effectively characterize isotope variability of consumers and resources on proper spatio-temporal scales. Second, studies should use models appropriate for the question and recognize their assumptions and limitations. Decisions about source grouping or incorporation of concentration dependence can influence results. Third, studies should be careful about interpretation of model outputs. Mixing models generally estimate proportions of assimilated resources with substantial uncertainty distributions. Last, common sense, such as graphing data before analyzing, is essential to maximize usefulness of these tools. We hope these suggestions for effective implementation of stable isotope mixing models will aid continued development and application of this field.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,116 | 0,232 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,004 |
| Méta-épidémiologie (sens large) | 0,004 | 0,006 |
| Bibliométrie | 0,010 | 0,009 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,011 | 0,006 |
| Intégrité de la recherche | 0,005 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,009 |
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 source (Gemma direct ou Codex distillé), 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 ».