MétaCan
Menu
← Retour à la cohorte
Enregistrement W3184293231 · doi:10.82308/36308

Behavioural innovation: Sources and predictors of intraspecific variation in Trinidadian guppies (Poecilia reticulata)

2021· article· en· W3184293231 sur OpenAlexfundno aff
Paul Q. Sims

Notice bibliographique

RevueeScholarship@McGill (McGill) · 2021
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAnimal Behavior and Reproduction
Établissements canadiensnon disponible
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésPoeciliaIntraspecific competitionGuppyVariation (astronomy)BiologyZoologyEcologyFish <Actinopterygii>Fishery

Résumé

récupéré en direct d'OpenAlex

Au cours de leurs vies, la plupart des animaux vivront des changements environnementaux prévisibles et non-prévisibles. Pour plusieurs espèces, les adaptations comportementales sont importantes pour répondre rapidement aux ces changements. Nous observons de la variation notable en comportement chez les individus, mais les raisons pour cette variation ne sont pas claires. Dans ce travail de thèse, j’ai examiné les origines géographiques, ainsi que les indicateurs physiques et comportementales associés avec la variation individuelle dans la tendance d’innover (c’est-à-dire, la production des comportements novateurs) dans les guppy Trinidadiens (Poecilia retuculata). En chapitre 2, j’ai caractérisé et comparé les tendances d’innover et leurs indicateurs en deux populations femelles de guppy à Trinidad. J’ai démontré qu’il existe de la variation entre les populations, mais que les comportements actifs et exploratoires sont liés avec l’innovation dans une seule population examinée. Ces résultats suggèrent qu’il se peut que les différences entres des populations constituent une source importante de la variation intraspécifique, à la fois dans l’expression de l’innovation et leurs caractéristiques associées. Ensuite, en chapitre 3, j’ai analysé les tendances d’innover dans un contexte de laboratoire chez des guppy mâles et femelles. Pour mieux comprendre les indicateurs et les facteurs cognitives qui influencent l’innovation, j’ai examiné plusieurs comportements divers tel que la vitesse d’apprentissage. J’ai trouvé des différences en tendances d’innover ainsi que des différences en apprentissage entres les sexes, mais aucune influence des indicateurs comportementales, incluant apprentissage, sur l’innovation. Ceci peut suggérer que les tendances d’innover et d’apprendre sont soumises à des compromis entre la vitesse et la précision qui diffèrent pour les mâles et femelles. Cette incohérence avec les résultats vus en chapitre 2 soulève des questions à propos de quels facteurs soutiennent ces différences, puisque les expériences laboratoires et sur places utilisaient des tâches d’innovation différentes. Alors, j’ai examiné en chapitre 4 si les tendances d’innover et ses indicateurs étaient spécifiques à la tâche présentée ou pas, en faisant une comparaison de la performance individuelle des guppy mâles et femelles à travers quatre tâches nouvelles, comprenant deux styles de tâches. Semblable à chapitre 3, j’ai établi que le sexe d’un individu est une source importante de variation car les mâles et les femelles varient en répétabilité; quelques indices suggèrent une capacité générale pour les tâches présentées chez les mâles (cependant fortement influencé par deux tâches en particulier), contrairement aux femelles qui démontrent peu de répétabilité pour des tâches spécifiques. De plus, mes résultats suggèrent que les indicateurs comportementaux sont reproductibles, mais leurs influences dépendent de la tâche spécifique. Ceci explique peut-être les conclusions diverses des chapitres précédents. Dans l’ensemble, ma thèse démontre que la variation comportementale intraspécifique peut se produire d’une variété des sources, et soulève des questions importantes au sujet de comment les mesures différentes d’un comportement particulier sont reliées les uns aux autres

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,067
Score d'incertitude au seuil0,133

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,028
Tête enseignante GPT0,212
Écart entre enseignants0,185 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueeScholarship@McGill (McGill)→Même sujetAnimal Behavior and Reproduction→Travaux en français237 207→