MétaCan
Menu
Retour à la cohorte
Enregistrement W2404534414 · doi:10.1086/686809

Yes! There are Resilient Generalizations (or “Laws”) in Ecology

2016· review· en· W2404534414 sur OpenAlexaff
Stefan Linquist, T. Ryan Gregory, Tyler A. Elliott, Brent Saylor, Stefan C. Kremer, Karl Cottenie

Notice bibliographique

RevueThe Quarterly Review of Biology · 2016
Typereview
Langueen
DomaineAgricultural and Biological Sciences
ThématiquePlant and animal studies
Établissements canadiensUniversity of Guelph
Organismes subventionnairesnon disponible
Mots-clésEcologyLawBiologyPolitical science

Résumé

récupéré en direct d'OpenAlex

ABSTRACT It is often argued that ecological communities admit of no useful generalizations or "laws" because these systems are especially prone to contingent historical events. Detractors respond that this argument assumes an overly stringent definition of laws of nature. Under a more relaxed conception, it is argued that ecological laws emerge at the level of communities and elsewhere. A brief review of this debate reveals an issue with deep philosophical roots that is unlikely to be resolved by a better understanding of generalizations in ecology. We therefore propose a strategy for transforming the conceptual question about the nature of ecological laws into a set of empirically tractable hypotheses about the relative re- silience of ecological generalizations across three dimensions: taxonomy, habitat type, and scale. These hypotheses are tested using a survey of 240 meta-analyses in ecology. Our central finding is that generalizations in community ecology are just as prevalent and as resilient as those in population or ecosystem ecology. These findings should help to establish community ecology as a generality-seeking science as opposed to a science of case studies. It also supports the capacity for ecologists, working at any of the three levels, to inform matters of public policy.

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)0,003
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,007
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0030,003
Études des sciences et des technologies0,0000,004
Communication savante0,0020,005
Science ouverte0,0010,001
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,092
Tête enseignante GPT0,317
Écart entre enseignants0,224 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations37
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Quarterly Review of BiologyMême sujetPlant and animal studiesTravaux en français237 207