Measuring and interpreting trait‐based selection versus meta‐community effects during local community assembly
Notice bibliographique
Résumé
Abstract Questions (1) How can one quantify the relative importance of meta‐community processes related to immigration, local trait‐based habitat filtering, and demographic stochasticity using the Community Assembly by Trait Selection ( CATS ) model in a general context? (2) How can this generalization be used to detect different strengths and directions in trait selection at the meta‐community and local community levels? Methods I describe a decomposition of the deviance between observed and predicted relative abundances based on a maximum entropy model including a meta‐community prior ( CATS ) and generalize a previous decomposition of relative abundance using this model; corrections to avoid negative explained proportions of deviance are presented. Simulations of community assembly are used to explore its properties and elucidate its interpretation. In particular, this method quantifies the proportion of the total deviance between observed and predicted relative abundances attributed to: (1) pure trait‐based local selection, (2) dispersal mass effect from the meta‐community, (3) joint contributions of (1) and (2) that cannot be separated; and (4) residual deviance due to demographic stochasticity. Results and Conclusions The previous decomposition, while giving correct values in that particular data set, requires modification in order to avoid nonsensical negative values. When the modifications described in this paper are made, the decomposition provides correct values. Furthermore, positive or negative values of the joint composition inform us of the importance and direction of correlations between local trait‐based selection and processes occurring in the larger meta‐community.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».