Inferring prey perception of relative danger in large-scale marine systems
Notice bibliographique
Résumé
Problem: Infer relative danger from spatially segregated predators in large-scale marine systems, using individual differences in prey foraging behaviour. Mathematical models: Optimization of trade-offs between predation risk and energy gain. Key assumption: Foraging individuals choosing to incur higher risk of predation should experience higher energetic gain than individuals choosing safer foraging options. Organisms: Alaskan harbour seals foraging under predation risk from killer whales and Pacific sleeper sharks in shallow and deep strata, respectively. Sleeper sharks are elusive predators and their interactions with prey are difficult to measure directly. Method: Our method infers the relative danger from different predator types that is theoretically most plausible according to intermediate consumer behaviour. We predicted net energy gain and predation risk per foraging dive, parameterizing an analytical model with data on seal behaviour and the spatial distributions of predators and resources. We used assumptions about relative danger from different predator types as treatments in a computer experiment. We sought the treatment combination best supporting the assumption that individuals that risk more should gain more by plotting the individual seals’ predicted cumulative energy gain against cumulative predation risk. Improved statistical fit for a positive and monotonic relationship implied greater support. Conclusions: Our key assumption was best supported when assuming that relative danger from sleeper sharks is much greater than that from killer whales, suggesting that sub-lethal effects of sharks on Alaskan harbour seals might be much stronger than previously thought.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».