MétaCan
Menu
Retour à la cohorte
Enregistrement W3186763329 · doi:10.1111/ele.13846

Understanding the emergence of contingent and deterministic exclusion in multispecies communities

2021· letter· en· W3186763329 sur OpenAlexaff
Chuliang Song, Lawrence H. Uricchio, Erin A. Mordecai, Serguei Saavedra

Notice bibliographique

RevueEcology Letters · 2021
Typeletter
Langueen
DomaineAgricultural and Biological Sciences
ThématiquePlant and animal studies
Établissements canadiensMcGill UniversityUniversity of Toronto
Organismes subventionnairesNational Institute of General Medical SciencesNational Institutes of Health
Mots-clésCompetitive exclusionPredictabilityIntraspecific competitionInterspecific competitionCompetition (biology)EcologyBiologyRange (aeronautics)MathematicsStatistics

Résumé

récupéré en direct d'OpenAlex

Competitive exclusion can be classified as deterministic or as historically contingent. While competitive exclusion is common in nature, it has remained unclear when multispecies communities formed by more than two species should be dominated by deterministic or contingent exclusion. Here, we take a fully parameterised model of an empirical competitive system between invasive annual and native perennial plant species to explain both the emergence and sources of competitive exclusion in multispecies communities. Using a structural approach to understand the range of parameters promoting deterministic and contingent exclusions, we then find heuristic theoretical support for the following three general conclusions. First, we find that the life-history of perennial species increases the probability of observing contingent exclusion by increasing their effective intrinsic growth rates. Second, we find that the probability of observing contingent exclusion increases with weaker intraspecific competition, and not with the level of hierarchical competition. Third, we find a shift from contingent exclusion to deterministic exclusion with increasing numbers of competing species. Our work provides a heuristic framework to increase our understanding about the predictability of species persistence within multispecies communities.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,659
Score d'incertitude au seuil0,988

Scores Codex et Gemma par catégorie

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

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 Opus0,178
Tête enseignante GPT0,230
Écart entre enseignants0,052 · 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 tête enseignante, 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

Citations16
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEcology LettersMême sujetPlant and animal studiesTravaux en français237 207