Methods for detecting and quantifying individual specialisation in movement and foraging strategies of marine predators
Notice bibliographique
Résumé
There is increasing realisation that individuals in many animal populations differ substantially in resource, space or habitat use. Differences that cannot be attributed to any a priori way of classifying individuals (i.e. age, sex and other group effects) are often termed 'individual specialisation'. The aim of this paper is to assess the most common approaches for detecting and quantifying individual specialisation and consistencies in foraging behaviour, movement patterns and diet of marine predators using 3 types of data: conventional diet data, stable isotope ratios and tracking data. Methods using conventional diet data rely on a comparison between the proportions of each dietary source in the total diet and in the diet of individuals, or analyses of the statistical distribution of a prey metric (e.g. size); the latter often involves comparing ratios of individual and population variance. Approaches frequently used to analyse stable isotope or tracking data reduced to 1 dimension (trip characteristics, e.g. maximum trip distance or latitude/longitude at certain landmarks) include correlation tests and repeatability analysis. Finally, various spatial analyses are applied to other types of tracking data (e.g. distances between centroids of distributions or migratory routes, or overlap between distributions), and methods exist to compare habitat use. We discuss the advantages and disadvantages of these approaches, issues arising from other effects unrelated to individual specialisation per se (in particular those related to temporal scale) and potential solutions.
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 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 | 0,001 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».