Estimating repertoire size in a songbird: a comparison of three techniques
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Many animals produce multiple types of breeding vocalizations that, together, constitute a vocal repertoire. In some species, the size of an individual’s repertoire is important because it correlates with brain size, territory size or social behaviour. Quantifying repertoire size is challenging because the long recordings needed to sample a repertoire comprehensively are difficult to obtain and analyse. The most basic quantification technique is simple enumeration, where one counts unique vocalization types until no new types are detected. Alternative techniques estimate repertoire size from subsamples, but these techniques are useful only if they are accurate. Using 12 years of acoustic data from a population of rufous-and-white wrens in Costa Rica, we used simple enumeration to measure the repertoire size for 40 males. We then compared these to the estimates generated by three estimation techniques: curve fitting, capture–recapture and a new technique based on the coupon collector’s problem. To understand how sampling effort affects the accuracy and precision of estimates, we applied each technique to six different-sized subsets of data per male. When averaged across subset sizes, the capture–recapture and coupon collector techniques showed the highest accuracy, whereas the curve fitting technique underestimated repertoire size. Precision (the average absolute difference between the estimated and true repertoire size) was significantly better for the capture–recapture technique than the coupon collector and curve fitting techniques. Both accuracy and precision improved as subset size increased. We conclude that capture–recapture is the best technique for estimating the sizes of small repertoires.
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.
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 découle