Notice bibliographique
Résumé
Studies on the effects of agricultural intensity on anurans have found inconsistent results both between and within species, with varying conclusions about what could be driving these effects.One possible explanation for this variation is that agricultural intensity can be correlated with adult habitat amount.Another possible explanation is that differences in tadpole life history or sensitivity to agrochemical toxicity, may cause different responses to agricultural intensity because of its effects on larval habitat quality.We identified 39 ponds in Eastern Ontario, surrounded by a wide variation of row crop cover, where we measured anuran abundances, nitrate concentration, and a suite of local pond variables.We then constructed path analyses for each species to determine the direction and potential causes of effect of agricultural intensity on abundance.We found variable responses to agricultural intensity across anurans.As predicted, much of this variation could be explained by adult habitat amount and larval habitat quality.Overall, our results suggest that agricultural intensity itself is not strongly affecting anurans in our region, but confirm that habitat loss due to agriculture is particularly detrimental for forest species.We suggest that, since the term 'agricultural intensity' is used inconsistently in the literature, it should only refer to effects of increased chemical usage (i.e. for a particular crop type), independent of habitat amount.iii Appendix 11.Path analysis model fit criteria for Appendix 10: path analyses on effects of agricultural intensity on 'maximum recorded anuran abundance'.Several goodness of fit measures were included to assess the overall fit of each model, with boldness indicating a "good fit".Measures included: the X2 "badness of fit" measure (if p < 0.05, the model was a bad fit (Hair et al., 2006)), the comparative fit index (if CFI ≥ 0.90, the model was a good fit (Bentler, 1990)), the Tucker-Lewis index (if TLI > 0.95, the model was a good fit (Bollen, 1989)), and root mean square error (if RMSEA ≤0.07, the model was a good fit (Hu & Bentler, 1999)) ................................
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 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 ».