MétaCan
Menu
← Retour à la cohorte
Enregistrement W2598574831 · doi:10.1242/jeb.147322

Too much hibernation isn't always good for you

2017· article· en· W2598574831 sur OpenAlexaboutno aff
Julia Nowack

Notice bibliographique

RevueJournal of Experimental Biology · 2017
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueBat Biology and Ecology Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésTorporHibernation (computing)BiologyPredationEcologyZoologyThermoregulation

Résumé

récupéré en direct d'OpenAlex

Many animals undergo phases of torpor by reducing body temperature and metabolic rate, which ultimately lowers their energy demands during harsh periods. Torpor use and especially hibernation, during which animals remain torpid in protected burrows or nests for months, are generally viewed as very advantageous survival mechanisms. Hibernating animals are less often subject to predation than non-hibernators and can withstand long periods when food is scarce. But surprisingly, individuals often vary in their use of torpor, leading to the question why do some individuals use less torpor than others if torpor is such a beneficial strategy?Melanie Dammhahn, a researcher from the University of Potsdam in Germany, and colleagues from the Université du Québec à Montréal and McGill University in Canada analysed torpor patterns of free-ranging eastern chipmunks (Tamias striatus) to find out why some individuals forgo torpor when it has clear survival benefits. Eastern chipmunks are relatively small seasonal hibernators that regularly interrupt torpor bouts during winter to feed on food reserves stored in their burrows. The researchers collected skin temperatures of 55 chipmunks over five winters, analysed the amount of time that each chipmunk spent torpid and linked this to the animals’ survival and birth rates.Dammhahn and colleagues found that, as expected, the use of torpor varied between individuals. Even more interesting, chipmunks maintained a stable torpor pattern over the whole hibernation season; animals that used less torpor at the beginning of the hibernation season also used less torpor later in winter. Linking the chipmunks’ skin temperature measurements with their survival rates, the scientists found that chipmunks using less torpor in autumn had higher death rates in years when food was plentiful, but not when food was scarce. Additionally, they found that the chipmunks that used more torpor early on and survived until the breeding season produced fewer offspring in spring.While a lower birth rate in animals that use more torpor suggests that increased torpor use could be related to a slower pace of life – as animals increase their survival chances via torpor and spread their reproductive output over more years – the other results are not as easy to explain. Variation in torpor use might reflect individual personalities or could just be caused by differences in food availability in the animals’ habitats.Extended torpor use may also be beneficial as individuals entering torpor early in autumn can spend more time underground and have a lower risk of predation, whereas animals that remain active have a higher risk of falling prey to a predator. In a year when food is abundant, an animal retreating underground early will probably have enough food stored to survive the entire winter season. However, in years when food is scarce, an animal that reduces its use of torpor – remaining active for longer in autumn – would probably have the advantage of establishing a larger food cache, thereby increasing its survival chances.While it remains a matter of speculation whether the variation in torpor use is part of a pace-of-life syndrome or is simply caused by differences in food availability around burrows, one thing is clear: variation in torpor patterns within a population guarantees that some individuals will survive the winter regardless of the environmental conditions.

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)0,002
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,039

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,010
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0030,004
Communication savante0,0040,005
Science ouverte0,0010,002
Intégrité de la recherche0,0020,005
Charge utile insuffisante (le modèle a refusé de juger)0,0120,007

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 Opus0,045
Tête enseignante GPT0,309
Écart entre enseignants0,264 · 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'étudeObservationnel
Domainenon disponible
GenreEmpirique

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

En bref

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Experimental Biology→Même sujetBat Biology and Ecology Studies→Travaux en français237 207→