Comparing dominance hierarchy methods using a data-splitting approach with real-world data
Notice bibliographique
Résumé
Abstract The development of numerical methods for inferring social ranks has resulted in an overwhelming array of options to choose from. Previous work has established the validity of these methods through the use of simulated datasets, by determining whether a given ranking method can accurately reproduce the dominance hierarchy known to exist in the data. Here, we offer a complementary approach that assesses the reliability of calculated dominance hierarchies by asking whether the calculated rank order produced by a given method accurately predicts the outcome of a subsequent contest between two opponents. Our method uses a data-splitting “training–testing” approach, and we demonstrate its application to real-world data from wild vervet monkeys (Chlorocebus pygerythrus) collected over 3 years. We assessed the reliability of seven methods plus six analytical variants. In our study system, all 13 methods tested performed well at predicting future aggressive outcomes, despite some differences in the inferred rank order produced. When we split the dataset with a 6-month training period and a variable testing dataset, all methods predicted aggressive outcomes correctly for the subsequent 10 months. Beyond this 10-month cut-off, the reliability of predictions decreased, reflecting shifts in the demographic composition of the group. We also demonstrate how a data-splitting approach provides researchers not only with a means of determining the most reliable method for their dataset but also allows them to assess how rank reliability changes among age–sex classes in a social group, and so tailor their choice of method to the specific attributes of their study system.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».