Analyzing Contacts and Behavior from High Frequency Tracking Data Using the wildlifeDI R Package
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Inter‐individual interactions are one of the key factors driving patterns of wildlife movement; however, methods for capturing and analyzing inter‐individual interactions from wildlife tracking data remain limited. Extracting contacts from wildlife tracking data is a challenge owing to the complex spatial and temporal patterns and the volume of tracking data sets. Knowledge of the time and location of contacts are crucial to understanding the spatiotemporal patterns of contacts and how they relate to the environment, individual behavior, and social structure. In this article we introduce a new suite of functions in the wildlifeDI R package for automating contact analysis, summaries, and outputs (e.g., visualizations) from studies tracking many individuals simultaneously, building upon the existing methods for studying interactive behavior between dyads already present within the package. The package has applications to study contact and interaction for the study of animal behavior, social networks, and disease transmission. We demonstrate two applications of contact analysis using the wildlifeDI package: female white‐tailed deer ( Odocoileus virginianus ) contacts and contacts between hunters and male white‐tailed deer. The wildlifeDI package represents a new set of advanced, reproducible analyses to identify and study contacts and interactions in wildlife tracking studies. We designed the analyses and outputs to integrate into existing R analysis workflows to facilitate adoption of the package into a wide variety of wildlife tracking studies.
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.
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 | 0,002 |
| 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) | 0,002 | 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 découle