Client fish traits underlying variation in service quality in a marine cleaning mutualism
Notice bibliographique
Résumé
Game-theoretical models help us understand how and when cooperation can evolve and persist. However, current models fall short of explaining the striking amount of variation in cooperation levels that we observe in nature, even within a system. For example, an animal's ability to choose partners with which to interact can explain the maintenance of cooperative interactions, but not variation in cooperation levels among individuals with similar partner choice options. Here, we explored how partner choice options and other key partner traits predict the quality of the service provided by cleaner fish, Labroides dimidiatus (the ‘chosen’ partner) to their client reef fishes (the ‘choosy’ partner). In this marine cleaning mutualism, cleaner fish sometimes cheat and eat mucus from their clients rather than cooperate by removing ectoparasites. We examined 13 client fish species and assessed the influence of nine variables on cooperation levels by cleaner fish (i.e. the frequency of cheating events) using information theory. Variables characterizing clients and the interactions themselves were used as proxies for a client's nutritional value, partner choice options, ability to punish a cheating partner and a cleaner's temptation to cheat its client (some of these traits were characterized by more than one variable). We found that six of the nine variables were equally important in explaining variation in client jolts: the duration of an interaction, and traits of client species including their body size (a proxy for the quality of a food patch), gnathiid ectoparasite load (nutritional value), partner choice options, agility (ability to control an interaction via avoidance or termination) and mucus characteristics (a measure of the cleaners' temptation to cheat). These findings suggest that numerous factors influence variation in cooperation levels, showing a parallel with sexual selection theory, where female mate choice does not depend on a single factor such as the operational sex ratio, but also on other key variables including a male's quality relative to other males, and a female's ability to avoid male coercion.
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 | 0,001 |
| 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 ».