Integrating network analysis, sensor tags, and observation to understand shark ecology and behavior
Notice bibliographique
Résumé
Group living in animals is a well-studied phenomenon, having been documented extensively in a wide range of terrestrial, freshwater, and marine species. Although social dynamics are complex across space and time, recent technological and analytical advances enable deeper understanding of their nature and ecological implications. While for some taxa, a great deal of information is known regarding the mechanistic underpinnings of these social processes, knowledge of these mechanisms in elasmobranchs is lacking. Here, we used an integrative and novel combination of direct observation, accelerometer biologgers, and recent advances in network analysis to better understand the mechanistic bases of individual-level differences in sociality (leadership, network attributes) and diel patterns of locomotor activity in a widespread marine predator, the lemon shark (Negaprion brevirostris). We found that dynamic models of interaction based on Markov chains can accurately predict juvenile lemon shark social behavior and that lemon sharks did not occupy consistent positions within their network. Lemon sharks did however preferentially associate with specific group members, by sex as well as by similarity or nonsimilarity for a number of behavioral (nonsimilarity: leadership) and locomotor traits (similarity: proportion of time swimming “fast,” mean swim duration; nonsimilarity: proportion of swimming bursts/transitions between activity states). Our study provides some of the first information on the mechanistic bases of group living and personality in sharks and further, a potential experimental approach for studying fine-scale differences in behavior and locomotor patterns in difficult-to-study organisms.
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 | 0,000 | 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 | 0,000 |
| 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 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 ».