MétaCan
Menu
Retour à la cohorte
Enregistrement W2219388850

A genetic analysis of sex-specific prey consumption in harbor seals (Phoca vitulina) and the implications for commercially important fish species in the Pacific Northwest.

2015· article· en· W2219388850 sur OpenAlexaboutno aff
Sara M. Spitzer

Notice bibliographique

RevueWestern CEDAR (Western Washington University) · 2015
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMarine animal studies overview
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPhocaHarbor sealFisheryFish <Actinopterygii>PredationBiologyGeographyZoologyEcology
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Formerly abundant salmonid, rockfish, and herring species are experiencing population decline in the Salish Sea. To design effective management and recovery strategies, we must understand the population dynamics of these fishes in relation to their predator species: the harbor seal (Phoca vitulina). Given that food consumption in the dimorphic harbor seal is related to body mass, an understanding of prey population dynamics requires a description of sex-specific diet preferences. Genetic barcoding was performed on seal scat to generate diet composition data; qPCR was used to identify zinc finger proteins (ZfX and ZfY) to determine the sex of the individual that deposited each sample. Data were collected from two haul-out sites in 2012-2013 in the Georgia Strait, Canada. At Comox during 2012, male harbor seals (n=82 scats) consumed Pacific Hake (37%), salmon species (26%), and Pacific Herring (13%), whereas females (n=68 scats) consumed Pacific Herring (35%), Pacific Hake (8%), salmon species (8%), Pacific Staghorn Sculpin (7%), and Lingcod (5%). Given that Lingcod and sculpins are salmon predators, similar results following complete analysis would indicate that female harbor seals may improve salmon recovery whereas males may diminish it. Findings also highlight the importance of addressing intra-specific differences to understand community interactions and suggest management strategies.

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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,023

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
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,042
Tête enseignante GPT0,244
Écart entre enseignants0,202 · 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
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWestern CEDAR (Western Washington University)Même sujetMarine animal studies overviewTravaux en français237 207