MétaCan
Menu
Retour à la cohorte
Enregistrement W2195716475 · doi:10.1644/05-mamm-r-332r1.1

Noninvasive Study of Mammalian Populations

2006· article· en· W2195716475 sur OpenAlexaff
Jeff W. Higdon

Notice bibliographique

RevueJournal of Mammalogy · 2006
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueIdentification and Quantification in Food
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesnon disponible
Mots-clésBiologyZoologyEvolutionary biologyGeography

Résumé

récupéré en direct d'OpenAlex

Improving knowledge on threatened species must be done in a manner that does not compromise individuals, and hence populations. The use of noninvasive techniques has great potential in the study and conservation of endangered species. With this end in mind, Evans and Yablokov have written Noninvasive Study of Mammalian Populations. The book is mostly an English-language expansion and revision of their 1983 Russian monograph on cetacean color patterns (Evans and Yablokov 1983). Their approach was motivated by a need to develop less intensive, and nonlethal, ways to study endangered species. The authors have researched cetacean color pattern since the early 1970s. However, noninvasive identification techniques were certainly not new at the time, because cattle breeders have used nose prints to identify individual bulls and their offspring since antiquity (Preface, p. 7). The authors use this book to describe the “phenetics approach” (Timofeev-Ressovsky and Yablokov 1973) as a noninvasive way to study mammal populations. This approach was developed in Russia based on the oldest genetic conception of single characters. A phene may be morphological, physiological, or behavioral, and is “any discreet phenotypic character, which reflects the genotype of an individual and, by its frequency, reflects the genotypic composition of the population” (p. 15).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,025

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0080,005

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.

Tête enseignante Opus0,029
Tête enseignante GPT0,292
Écart entre enseignants0,263 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of MammalogyMême sujetIdentification and Quantification in FoodTravaux en français237 207