Predicting Postrelease Survival in Large Pelagic Fish
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Sharks, turtles, billfish, and marine mammals are frequently caught accidentally in commercial fisheries. Although conservationists and fisheries managers encourage the release of these nontarget species, the long-term outcome of released animals is uncertain. Using blue sharks Prionace glauca, we developed a model to predict the long-term survival of released animals based on analysis of small blood samples. About 5% of the sharks were landed in obviously poor condition (lethargic and unresponsive to handling); these moribund sharks were sampled and euthanized. A subset of the remaining sharks was sampled and tagged with pop-up satellite archival tags (PSATs). Each of the PSATs that reported data (11 tags) showed that the sharks roamed at sea for at least 3 weeks postrelease. Five variables differentiated moribund sharks from survivors: Plasma Mg2+ (moribund, 1.57 ± 0.08 mM; survivor, 0.98 ± 0.05 mM; P < 0.00001), plasma lactate (moribund, 27.7 ± 4.1 mM; survivor, 5.80 ± 2.96 mM; P < 0.001), erythrocyte heat shock protein 70 (Hsp70) mRNA (relative levels: Moribund, 3.96 ± 0.53; survivor, 1.00 ± 0.29; P < 0.005), plasma Ca2+ (moribund, 3.70 ± 0.14 mM; survivor, 3.13 ± 0.11; P < 0.005), and plasma K+ (moribund, 7.01 ± 0.66 mM; survivor, 5.12 ± 0.44 mM; P < 0.05). These analyses were used to develop logistic regression models that could “predict” the long-term survival of captured sharks, including a larger group of sharks that we sampled but did not tag. The best logistic model, which incorporated Mg2+ and lactate, successfully categorized 95% of fish of known outcome (19 of 20). These analyses suggest that sharks landed in an apparently healthy condition are likely to survive long term if released (95% survival based on biochemical analyses; 100% based on PSATs).
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.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 découle