Aggressive mimics profit from a model–signal receiver mutualism
Notice bibliographique
Résumé
Mimetic species have evolved to resemble other species to avoid predation (protective mimicry) or gain access to food (aggressive mimicry). Mimicry systems are frequently tripartite interactions involving a mimic, model and 'signal receiver'. Changes in the strength of the relationship between model and signal receiver, owing to shifting environmental conditions, for example, can affect the success of mimics in protective mimicry systems. Here, we show that an experimentally induced shift in the strength of the relationship between a model (bluestreak cleaner fish, Labroides dimidiatus) and a signal receiver (staghorn damselfish, Amblyglyphidodon curacao) resulted in increased foraging success for an aggressive mimic (bluestriped fangblenny, Plagiotremus rhinorhynchos). When the parasite loads of staghorn damselfish clients were experimentally increased, the attack success of bluestriped fangblenny on damselfish also increased. Enhanced mimic success appeared to be due to relaxation of vigilance by parasitized clients, which sought cleaners more eagerly and had lower overall aggression levels. Signal receivers may therefore be more tolerant of and/or more vulnerable to attacks from aggressive mimics when the net benefit of interacting with their models is high. Changes in environmental conditions that cause shifts in the net benefits accrued by models and signal receivers may have important implications for the persistence of aggressive mimicry systems.
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 | 0,000 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».