Ecological inference using data from accelerometers needs careful protocols
Notice bibliographique
Résumé
Abstract Accelerometers in animal‐attached tags are powerful tools in behavioural ecology, they can be used to determine behaviour and provide proxies for movement‐based energy expenditure. Researchers are collecting and archiving data across systems, seasons and device types. However, using data repositories to draw ecological inference requires a good understanding of the error introduced according to sensor type and position on the study animal and protocols for error assessment and minimisation. Using laboratory trials, we examine the absolute accuracy of tri‐axial accelerometers and determine how inaccuracies impact measurements of dynamic body acceleration (DBA), a proxy for energy expenditure, in human participants. We then examine how tag type and placement affect the acceleration signal in birds, using pigeons Columba livia flying in a wind tunnel, with tags mounted simultaneously in two positions, and back‐ and tail‐mounted tags deployed on wild kittiwakes Rissa tridactyla . Finally, we present a case study where two generations of tag were deployed using different attachment procedures on red‐tailed tropicbirds Phaethon rubricauda foraging in different seasons. Bench tests showed that individual acceleration axes required a two‐level correction to eliminate measurement error. This resulted in DBA differences of up to 5% between calibrated and uncalibrated tags for humans walking at a range of speeds. Device position was associated with greater variation in DBA, with upper and lower back‐mounted tags varying by 9% in pigeons, and tail‐ and back‐mounted tags varying by 13% in kittiwakes. The tropicbird study highlighted the difficulties of attributing changes in signal amplitude to a single factor when confounding influences tend to covary, as DBA varied by 25% between seasons. Accelerometer accuracy, tag placement and attachment critically affect the signal amplitude and thereby the ability of the system to detect biologically meaningful phenomena. We propose a simple method to calibrate accelerometers that can be executed under field conditions. This should be used prior to deployments and archived with resulting data. We also suggest a way that researchers can assess accuracy in previously collected data, and caution that variable tag placement and attachment can increase sensor noise and even generate trends that have no biological meaning.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,174 | 0,379 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,007 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,007 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,004 |
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 source (Gemma direct ou Codex distillé), 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 ».