Why we should develop guidelines and quantitative standards for using genetic data to delimit subspecies for data‐poor organisms like cetaceans
Notice bibliographique
Résumé
Abstract Obtaining the representative morphological data required for traditional taxonomy is difficult, and sometimes impossible, for cetaceans, especially large ones. As a result, three quarters of the 88 currently recognized extant species have no subspecies and 40 taxa likely have additional unnamed taxa. Conservation needs give urgency to improving taxonomy because unnamed taxa are unlikely to receive protection equivalent to that received by named taxa. Genetic data can improve efforts to delimit subspecies, but the markers and methods used have varied and the magnitude of genetic difference used to justify subspecies distinctions across studies has also varied. Here, we define the concepts of populations, subspecies, and species to establish a foundation for developing guidelines (data to include and analyses to conduct) and quantitative standards (the magnitude of differentiation expected at different taxonomic levels) for using genetic data to support taxonomic recognition. Our definition is particularly applicable to data‐poor groups because it allows for naming a subspecies when there is uncertainty about whether lineages have diverged sufficiently for species‐level recognition. This allows a species that lacks convincing data for lineage divergence to be recognized as a subspecies while sufficient data are accrued, which could take decades for some cetaceans.
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 | 0,478 | 0,572 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,012 | 0,008 |
| Études des sciences et des technologies | 0,006 | 0,028 |
| Communication savante | 0,018 | 0,024 |
| Science ouverte | 0,014 | 0,012 |
| Intégrité de la recherche | 0,012 | 0,023 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».