TESTING HYPOTHESES ABOUT ECOLOGICAL SPECIALIZATION USING PHYLOGENETIC TREES
Notice bibliographique
Résumé
It is often assumed that ecological specialization represents an evolutionary "dead-end" that limits further evolution. Maximum-likelihood (ML) analyses on phylogenies for 15 groups of phytophagous insects revealed that high transition rates both to and from specialization occurred, but that the mean ratio of rates was significantly biased toward a higher rate to specialization. Here we explore the consequences of the fact that transition rates inferred by ML are affected not only by the distribution, but also by the frequency, of character states. Higher rates to the more common state were inferred in the analyses of Nosil (2002), in similar studies published since 2002, and in a small set of simulations. Thus, the ratio of the rate toward versus away from specialization was strongly, positively correlated with the proportion of specialist species at the tips of the phylogeny and whether transitions away from specialization occur remains unclear. Here we reexamine these data using methods that do not rely on directly comparing transition rates. Maximum-likelihood analyses show that models with no transitions in one direction (e.g., irreversible evolution as predicted by the "specialist as dead end" framework) are usually strongly rejected, independent of the proportion of specialists at the tips. Ancestral state reconstruction revealed two instances where generalists were unambiguously derived from specialists. Transition rates would need to biased 100-fold and 5000-fold toward specialization to reconstruct a history where these shifts from specialization toward generalization do not occur. The general conclusions of Nosil (2002) appear to hold; transitions in either direction likely occur such that specialization does not always limit further evolution. Most generally, inferences regarding character evolution can be strengthened by comparing models of character change and examining ancestor states, rather than only comparing parameter values.
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 | 0,098 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,008 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,004 | 0,007 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».