MétaCan
Menu
Retour à la cohorte
Enregistrement W4206331214 · doi:10.1101/2022.01.11.475793

Global monitoring of soil animal communities using a common methodology

2022· preprint· en· W4206331214 sur OpenAlexaff
Anton Potapov, Xin Sun, María J.I. Briones, George Gardner Brown, Erin K. Cameron, Jérôme Cortet, Nico Eisenhauer, Saori Fujii, Stefan Geisen, Konstantin B. Gongalsky, Carlos A. Guerra, I. Tanya Handa, Charlene Janion‐Scheepers, Zoë Lindo, Jérôme Mathieu, Maka Murvanidze, Uffe N. Nielsen, Stefan Scheu, Olaf Schmidt, Clément Schneider, Julia Seeber, Jiří Tůma, Alexei V. Tiunov, Andrey S. Zaitsev, Diana H. Wall

Notice bibliographique

RevuebioRxiv (Cold Spring Harbor Laboratory) · 2022
Typepreprint
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueStudy of Mite Species
Établissements canadiensWestern UniversityUniversité du Québec à MontréalSaint Mary's University
Organismes subventionnairesDeutsches Zentrum für integrative Biodiversitätsforschung Halle-Jena-LeipzigConselho Nacional de Desenvolvimento Científico e TecnológicoNational Natural Science Foundation of ChinaDeutsche Forschungsgemeinschaft
Mots-clésSoil mesofaunaSoil biologyMicrofaunaSoil biodiversitySoil functionsEnvironmental scienceSoil organic matterSoil ecologyEnvironmental resource managementBiodiversityEcologySoil waterSoil scienceBiology

Résumé

récupéré en direct d'OpenAlex

Summary Here we introduce the Soil BON Foodweb Team, a cross-continental collaborative network that aims to monitor soil animal communities and food webs using consistent methodology at a global scale. Soil animals support vital soil processes via soil structure modification, direct consumption of dead organic matter, and interactions with microbial and plant communities. Soil animal effects on ecosystem functions have been demonstrated by correlative analyses as well as in laboratory and field experiments, but these studies typically focus on selected animal groups or species at one or few sites with limited variation in environmental conditions. The lack of comprehensive harmonised large-scale soil animal community data including microfauna, mesofauna, and macrofauna, in conjunction with related soil functions, limits our understanding of biological interactions in soil communities and how these interactions affect ecosystem functioning. To provide such data, the Soil BON Foodweb Team invites researchers worldwide to use a common methodology to address six long-term goals: (1) to collect globally representative harmonised data on soil micro-, meso-, and macrofauna communities; (2) to describe key environmental drivers of soil animal communities and food webs; (3) to assess the efficiency of conservation approaches for the protection of soil animal communities; (4) to describe soil food webs and their association with soil functioning globally; (5) to establish a global research network for soil biodiversity monitoring and collaborative projects in related topics; (6) to reinforce local collaboration networks and expertise and support capacity building for soil animal research around the world. In this paper, we describe the vision of the global research network and the common sampling protocol to assess soil animal communities and advocate for the use of standard methodologies across observational and experimental soil animal studies. We will use this protocol to conduct soil animal assessments and reconstruct soil food webs on the sites included in the global soil biodiversity monitoring network, Soil BON, allowing us to assess linkages among soil biodiversity, vegetation, soil physico-chemical properties, and ecosystem functions. In the present paper, we call for researchers especially from countries and ecoregions that remain underrepresented in the majority of soil biodiversity assessments to join us. Together we will be able to provide science-based evidence to support soil biodiversity conservation and functioning of terrestrial ecosystems.

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)0,009
score de la tête « metaresearch » (Gemma)0,005
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,045

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0090,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0060,006
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0010,005
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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 Opus0,104
Tête enseignante GPT0,290
Écart entre enseignants0,186 · 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

Citations21
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuebioRxiv (Cold Spring Harbor Laboratory)Même sujetStudy of Mite SpeciesTravaux en français237 207