Sampling bias is a challenge for quantifying specialization and network structure: lessons from a quantitative niche model
Notice bibliographique
Résumé
Network approaches have become a popular tool for understanding ecological complexity in a changing world. Many network descriptors relate directly or indirectly to specialization, which is a central concept in ecology and measured in different ways. Unfortunately, quantification of specialization and network structure using field data can suffer from sampling effects. Previous studies evaluating such sampling effects either used field data where the true network structure is unknown, or they simulated sampling based on completely generalized interactions. Here, we used a quantitative niche model to generate bipartite networks representing a wide range of specialization and evaluated potential sampling biases for a large set of specialization and network metrics for different network sizes. We show that with sample sizes realistic for species‐rich networks, all metrics are biased towards overestimating specialization (and underestimating generalization and niche overlap). Importantly, this sampling bias depends on the true degree of specialization and is strongest for generalized networks. We show that methods used for empirical data may misrepresent sampling bias: null models simulating generalized interactions may overestimate bias, whereas richness estimators may strongly overestimate sampling completeness. Some network metrics are barely related between small and large sub‐samples of the same network and thus may often not be meaningful. Small samples also overestimate interspecific variation of specialization within generalized networks. While new approaches to deal with these challenges have to be developed, we also identify metrics that are relatively unbiased and fairly consistent across sampling intensities and we identify a provisional rule of thumb for the number of observations required for accurate estimates. Our quantitative niche model can help understand variation in network structure capturing both sampling effects and biological meaning. This is needed to connect network science to fundamental ecological theory and to give robust quantitative answers for applied ecological problems.
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 | 0,030 | 0,118 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,002 | 0,006 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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 ».