MétaCan
Menu
← Retour à la cohorte
Enregistrement W2811338316 · doi:10.1101/362822

Multivariate methods for testing hypotheses of temporal community dynamics

2018· preprint· en· W2811338316 sur OpenAlexafffund
Hannah L. Buckley, Nicola J. Day, Bradley S. Case, Gavin Lear, Aaron M. Ellison

Notice bibliographique

RevuebioRxiv (Cold Spring Harbor Laboratory) · 2018
Typepreprint
Langueen
DomaineEnvironmental Science
ThématiqueSpecies Distribution and Climate Change
Établissements canadiensWilfrid Laurier University
Organismes subventionnairesWilfrid Laurier UniversitySmithsonian InstitutionNational Science Foundation
Mots-clésMultivariate statisticsTemporal scalesTemporal databaseMultivariate analysisComputer scienceEcologyData miningBiologyMachine learning

Résumé

récupéré en direct d'OpenAlex

ABSTRACT For ecological research to make important contributions towards understanding and managing temporally-variable global change processes, such as responses to land-use and climatic change, we must have effective and comparable ways to quantify and analyse compositional change over time in biological communities. These changes are the sum of local colonisation and extinction events, or changes in the biomass and relative abundance of taxa within and among samples. We conducted a quantitative review of currently available methods for the analysis of multivariate datasets collected at temporal intervals. This review identified the need for the application of quantitative, hypothesis-based approaches to understand temporal change in community composition, particularly for small datasets with less than 15 temporal replicates. To address this gap, we: (1) conceptually present how temporal patterns in community dynamics can be framed as specific, testable hypotheses; (2) provide three fully-worked case-studies, complete with R code, demonstrating multivariate analysis methods for temporal hypothesis testing and pattern visualisation; and (3) present a road map for testing specific, quantitative hypotheses relating to the underlying mechanisms of temporal community dynamics.

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)0,034
score de la tête « metaresearch » (Gemma)0,156
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,034
Score d'incertitude au seuil0,182

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0340,156
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,004
Bibliométrie0,0050,004
Études des sciences et des technologies0,0010,003
Communication savante0,0040,005
Science ouverte0,0020,003
Intégrité de la recherche0,0010,004
Charge utile insuffisante (le modèle a refusé de juger)0,0100,002

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.

Tête enseignante Opus0,078
Tête enseignante GPT0,311
Écart entre enseignants0,233 · 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'étudeThéorique ou conceptuel
Domainenon disponible
GenreMéthodes

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

En bref

Citations11
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuebioRxiv (Cold Spring Harbor Laboratory)→Même sujetSpecies Distribution and Climate Change→Travaux en français237 207→