MétaCan
Menu
Retour à la cohorte
Enregistrement W2127320755 · doi:10.1098/rspb.2008.1831

We age because we grow

2009· article· en· W2127320755 sur OpenAlexaff
Hillard Kaplan, Arthur J. Robson

Notice bibliographique

RevueProceedings of the Royal Society B Biological Sciences · 2009
Typearticle
Langueen
DomainePsychology
ThématiqueEvolutionary Psychology and Human Behavior
Établissements canadiensSimon Fraser University
Organismes subventionnairesNational Institute on Aging
Mots-clésNatural selectionConstraint (computer-aided design)ReproductionLife history theoryAgeingBiologyLife historyEvolutionary biologyEconomicsDemographySelection (genetic algorithm)Computer scienceEcologyMathematicsSociologyArtificial intelligenceGenetics

Résumé

récupéré en direct d'OpenAlex

Why do we age? Since ageing is a near-universal feature of complex organisms, a convincing theory must provide a robust evolutionary explanation for its ubiquity. This theory should be compatible with the physiological evidence that ageing is largely due to deterioration, which is, in principle, reversible through repair. Moreover, this theory should also explain why natural selection has favoured organisms that first improve with age (mortality rates decrease) and then deteriorate with age (mortality rates rise). We present a candidate for such a theory of life history, applied initially to a species with determinate growth. The model features both the quantity and the quality of somatic capital, where it is optimal to initially build up quantity, but to allow quality to deteriorate. The main theoretical result of the paper is that a life history where mortality decreases early in life and then increases late in life is evolutionarily optimal. In order to apply the model to humans, in particular, we include a budget constraint to allow intergenerational transfers. The resultant theory then accounts for all our basic demographic characteristics, including menopause with extended survival after reproduction has ceased.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,461
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,002
Communication savante0,0000,000
Science ouverte0,0010,000
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 Opus0,074
Tête enseignante GPT0,337
Écart entre enseignants0,263 · 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 tête enseignante, pas un consensus.

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

Citations37
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the Royal Society B Biological SciencesMême sujetEvolutionary Psychology and Human BehaviorTravaux en français237 207