Of Uberfleas and Krakens: Detecting Trade-offs Using Mixed Models
Notice bibliographique
Résumé
SYNOPSIS: All animals experience performance trade-offs as they complete tasks such as capturing prey, defending territories, acquiring mates, and escaping predators. Why then, is it so hard to detect performance trade-offs at the whole-organismal level? Why do we sometimes even obtain positive correlations between two performance traits that are predicted to be negatively associated? Here we explore two plausible explanations. First, most analyses are based on individual maximal values (i.e., personal best), which could introduce a bias in the correlation estimates. Second, phenotypic correlations alone may be poor indicators of a trade-off when contrasting processes occur at the among- versus within-individual levels. One such scenario is the "big houses big cars" model developed in life-history theory to explain the existence of "uberfleas" that are superior in all regards (because they acquire more resources than others). We highlight that the exact opposite scenario might occur for performance trade-offs, where among-individual trade-offs may be masked by within-individual changes in physical condition. One of the best ways to test among these alternative scenarios is to collect repeated pairs of performance traits and analyze them using multivariate mixed models (MMMs). MMMs allow straightforward and simultaneous examination of trait correlations at the among- and within-individual levels. We use a simple simulation tool (SQuID package in R) to create a population of Krakens, a mythical giant squid-like sea creature whose morphology generates a performance trade-off between swimming speed and strength or ability to sink ships. The simulations showed that using individual maximum values introduces a bias that is particularly severe when individuals differ in the number of repeated samples (ntrial). Finally, we show how MMMs can help detect performance (or any other type of) trade-offs and offer additional insights (e.g., help detect plasticity integration). We hope researchers will adopt MMMs when exploring trade-offs in whole-animal performances.
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 | 0,007 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».