DIETARY ANALYSIS FROM FECAL SAMPLES: HOW MANY SCATS ARE ENOUGH?
Notice bibliographique
Résumé
Diets of mammals are increasingly being inferred from identification of hard parts from prey eaten and recovered in fecal remains (scats). Frequencies with which particular prey species occur among collections of scats are easily compiled to describe the average diet, and can be used to compare diets between and within geographic regions, and across years and seasons. Important to these analyses is the question of statistical power. In other words, how many scats should be collected to compare the diet among and between species? We addressed this problem by using Monte Carlo simulations and frequency of occurrence methods to analytically determine the consequence of sample size on the dietary analysis of scats. We considered 2 questions. First, how is the statistical power affected by sample size? Second, what is the likelihood of not identifying a prey species? We randomly sampled predetermined numbers of scats (n = 10−200) from computer-generated populations of scats containing prey of known species and frequencies of occurrences. We also randomly sampled a large database of field-collected scats from Steller sea lions (Eumetopias jubatus). We then used standard contingency table tests such as chi-square and Fisher's exact test to determine whether differences between our samples and populations were statistically significant. We found that a minimum size of 59 scats is necessary to identify principal prey remains occurring in >5% of scats. However, 94 samples are required when comparing diets to distinguish moderate effect sizes over time or between areas. These findings have significant implications for the interpretation of published dietary data, as well as for the design of future scat-based dietary studies for pinnipeds and other species.
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) | 0,001 | 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) | 0,007 | 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 ».