Confidently identifying the correct <i>K</i> value using the Δ<i>K</i> method: When does <i>K</i> = 2?
Notice bibliographique
Résumé
Populations delineated based on genetic data are commonly used for wildlife conservation and management. Many studies use the program structure combined with the ΔK method to identify the most probable number of populations (K). We recently found K = 2 was identified more often when studies used ΔK compared to studies that did not. We suggested two reasons for this: hierarchical population structure leads to underestimation, or the ΔK method does not evaluate K = 1 causing an overestimation. The present contribution aims to develop a better understanding of the limits of the method using one, two and three population simulations across migration scenarios. From these simulations we identified the "best K" using model likelihood and ΔK. Our findings show that mean probability plots and ΔK are unable to resolve the correct number of populations once migration rate exceeds 0.005. We also found a strong bias towards selecting K = 2 using the ΔK method. We used these data to identify the range of values where the ΔK statistic identifies a value of K that is not well supported. Finally, using the simulations and a review of empirical data, we found that the magnitude of ΔK corresponds to the level of divergence between populations. Based on our findings, we suggest researchers should use the ΔK method cautiously; they need to report all relevant data, including the magnitude of ΔK, and an estimate of connectivity for the research community to assess whether meaningful genetic structure exists within the context of management and conservation.
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 | 0,001 | 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 ».