A multi‐platform package for the analysis of intra‐ and interspecific trait evolution
Notice bibliographique
Résumé
Abstract Evolutionary forces affect the distribution of phenotypes both within and among species. Yet, at the macro‐evolutionary scale, the evolution of intraspecific variance is rarely considered. Here, we present an r and a BEAST 2 implementation that extends the JIVE (Joint inter‐ and Intraspecific Variance Evolution) model aimed at the analysis of continuous trait evolution at both inter‐ and intraspecific level. Using a hierarchical Bayesian approach, we implemented a range of models for continuous trait evolution that operate independently on species means and variances along a phylogeny. The package uses Markov chain Monte Carlo for the inference of parameters and the evaluation of model fit. JIVE is available in the bite (Bayesian Integrative models of Trait Evolution) r package, as well as in BEAST 2. The two implementations offer the same continuous trait evolutionary models, but differ in their use and types of analyses. The r implementation allows for faster analyses by taking the phylogeny as data, while providing graphical and statistical functions as part of tools for model comparison, result parsing and summary, and plotting. In the BEAST 2 implementation, the species tree is a parameter, and both its topology and divergence times are jointly estimated with trait model parameters. The bite package and the BEAST 2 implementation introduce new frameworks within comparative phylogenetics that explicitly model intraspecific variance. These tools allow users to tackle long‐standing questions in evolutionary biology, such as the identification of key evolutionary processes determining niche conservatism, niche partitioning, and life‐history strategies.
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 | 0,001 | 0,001 |
| 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 ».