Notice bibliographique
Résumé
Many foraging animals return to feeding sites to harvest replenishing resources, but little is known about efficient tactics for doing this. Can animals with adequate cognitive abilities increase their efficiency by modifying their behavior according to memories of past experience at particular sites? We developed a simulation model of animals harvesting renewable resources from isolated patches in undefended, competitive situations. We compared four foraging tactics: (1) moving stochastically without using any information from past experiences (random searching); (2) moving stochastically, but going longer distances after encountering lower reward (area-restricted searching); (3) repeatedly moving along a fixed route (complete traplining); and (4) traplining, but sampling and shifting to neighboring rewarding patches after encountering low reward (sample-and-shift traplining). Following Possingham, we tracked both the resources actually harvested by a focal forager (i.e., rewards) and the standing crops of resources that accumulated at patches. Complete traplining always produces less variation in elapsed time between visits than random searching or area-restricted searching, which has three benefits: increasing the reward crop harvested, if resource renews nonlinearly; reducing resource standing crop in patches; and reducing variation in reward crop per patch. Moreover, the systematic revisitation schedule produced by complete traplining makes it more competitive, regardless of resource renewal schedule or competitor frequency. By responding to their past experiences, using sample-and-shift traplining, foragers benefit only when many patches are left unvisited in the habitat. Otherwise, the exploratory component of sample-and-shift traplining, which increases the movement distance and the variation in elapsed time between visits, makes it more costly than complete traplining. Thus, traplining will usually be beneficial, but foragers should switch between “impatient” (sample-and-shift traplining) and “tenacious” (complete traplining) traplining, according to temporal changes in surrounding situations.
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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».