MétaCan
Menu
Retour à la cohorte
Enregistrement W2914073885 · doi:10.1098/rsbl.2019.0070

How many cubs can a mum nurse? Maternal age and size influence litter size in polar bears

2019· article· en· W2914073885 sur OpenAlexaff
Dorinda Folio, Jon Aars, Olivier Giménez, Andrew E. Derocher, Øystein Wiig, Sarah Cubaynes

Notice bibliographique

RevueBiology Letters · 2019
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMarine animal studies overview
Établissements canadiensUniversity of Alberta
Organismes subventionnairesWorld Wildlife Fund
Mots-clésBiologyLitterUrsus maritimusReproductionAffect (linguistics)Avian clutch sizeReproductive successLife history theoryEcologyZoologyDemographyLife historyPopulation

Résumé

récupéré en direct d'OpenAlex

Life-history theory predicts that females' age and size affect the level of maternal investment in current reproduction, balanced against the future reproductive effort, maintenance and survival. Using long-term (30 years) individual data on 193 female polar bears ( Ursus maritimus), we assessed age- and size-specific variation on litter size. Litter size varied with maternal age, younger females had higher chances of losing a cub during their first months of life. Results suggest an improvement in reproductive abilities early in life due to experience with subsequent reproductive senescence. Litter size increased with maternal size, indicating that size may reflect individual quality. We also found an optimum in the probability of having twins, suggesting stabilizing selection on female body size. Heterogeneity was observed among the largest females, suggesting that large size comes at a cost.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,084
Score d'incertitude au seuil0,998

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,202
Écart entre enseignants0,196 · 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 tête enseignante, 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

Citations26
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBiology LettersMême sujetMarine animal studies overviewTravaux en français237 207