Notice bibliographique
Résumé
Leafcutting bees (Megachile: Megachilidae) cut leaves from various trees, shrubs, wildflowers and grasses to partition and encase brood cells in hollow plant stems, decaying logs or in the ground. The identification of preferred plant species via morphological characters of the leaf fragments is challenging and direct observation of bees cutting leaves from certain plant species are difficult. As such, data are poor on leaf preference of leafcutting bees. In this study, I use DNA barcoding of the rcbL and ITS2 regions to identify and compare leaf preference of three Megachile bee species widespread in Toronto, Canada. Nests were opened and one leaf piece from one cell per nest of the native M. pugnata Say (N=45 leaf pieces), and the introduced M. rotundata Fabricius (N=64) and M. centuncularis (L.) (N=65) were analysed. From 174 individual DNA sequences, 54 plant species were identified. Preference by M. rotundata was most diverse (36 leaf species, H'=3.08, phylogenetic diversity (pd)=2.97), followed by M. centuncularis (23 species, H'=2.38, pd=1.51) then M. pugnata (18 species, H'=1.87, pd=1.22). Cluster analysis revealed significant overlap in leaf choice of M. rotundata and M. centuncularis. There was no significant preference for native leaves, and only M. centuncularis showed preference for leaves of woody plants over perennials. Interestingly, antimicrobial properties were present in all but six plants collected; all these were exotic plants and none were collected by the native bee, M. pugnata. These missing details in interpreting what bees need offers valuable information for conservation by accounting for necessary (and potentially limiting) nesting materials.
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 | 0,002 | 0,002 |
| 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) | 0,002 | 0,001 |
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 ».