Multicomponent deceptive signals reduce the speed at which predators learn that prey are profitable
Notice bibliographique
Résumé
Many prey use multicomponent deceptive signals to fool predators into mistaking them for inedible objects, toxic prey, or dangerous animals. However, recent experiments have suggested that multicomponent deceptive signals are no more effective in deterring predators than single-component signals, making it difficult to understand how they have evolved. Here, we use an established experimental system in which naive domestic chicks are presented with models of snake-mimicking caterpillars to test the idea that multicomponent deceptive signals reduce the speed at which predators learn that prey are profitable. We presented chicks with a series of 4 trials in which they encountered a single type of caterpillar model. The type of model differed among our 4 experimental groups that were arranged in a 2×2 factorial design: models either possessed eyespots or did not and were in either the resting or defensive posture. Chicks’ responses to the same model prey were then retested following an extended 72-h retention period. Chicks rapidly attacked prey with no defensive traits and initially showed similar levels of wariness to prey with either 1 or 2 deceptive traits. However, chicks learned that single-trait caterpillars were profitable more quickly than 2-trait caterpillars and retained their learned responses better. This suggests that prey with multicomponent deceptive signals may have a selective advantage over prey with single-component deceptive signals when predators repeatedly encounter such prey.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».