Can singing rate be used to predict male breeding status of forest songbirds? A comparison of three calibration models
Notice bibliographique
Résumé
Abstract For male songbirds, song rate varies throughout the breeding season and is correlated with breeding cycle stages. Although these patterns have been well documented, this relationship has not been used to predict a bird's breeding status from acoustic monitoring. This challenge of using a response (i.e., behavior) to indirectly measure an underlying biological state is common in ecology, but correctly addressing the associated statistical challenge of calibration is rare. The objective of this study was to determine whether variation in song rate can be used to predict the breeding status of the Olive‐sided Flycatcher ( Contopus cooperi ). In 2016, song rates from 28 male Olive‐sided Flycatchers were collected from human observers ( n = 545 five‐minute counts) and breeding status (i.e., single, paired, and feeding young) was monitored throughout the breeding season. The predictive ability of three modeling approaches—regression, hierarchical, and a classification tree—was evaluated using sensitivity and specificity to determine the best modeling approach. The hierarchical model was the best at predicting all three breeding status classes, with a mean sensitivity of 69%, compared with 54% and 50% from the regression and machine learning models, respectively. Our results suggest that song rate can be used as an indirect measurement of breeding status in the Olive‐sided Flycatcher when using a hierarchical modeling approach to calibrate the breeding status–song rate relationship. This novel modeling approach provides a cost‐effective tool to collect much needed demographic information over large spatial extents and inform species status assessments, recovery strategies, and management plans for species of conservation concern.
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 | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».