Multicomponent deceptive signals reduce the speed at which predators learn that prey are profitable
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 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.
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