Effects of temperature on mating behaviour and mating success: A meta‐analysis
Notice bibliographique
Résumé
In light of global climate change, there is a pressing need to understand how populations will respond to rising temperatures. Understanding the effects of temperature changes on mating behaviour is particularly important, given its implications for population viability. To this end, we performed a meta-analysis of 53 studies to examine how temperature changes influence mating latency, choosiness and mating success. We hypothesized that if higher temperatures make mate searching and mate assessment more costly due to an elevated metabolism, this may lead to a reduction in mating latency and choosiness, thereby increasing overall mating success. We found no evidence for an overall effect of temperature on mating latency, choosiness, or mating success. There was an increase in mating success when animals were exposed to higher temperatures during mating trials but not when they were exposed before mating trials. In addition, in a subset of studies that measured both mating latency and mating success, there was a strong negative relationship between the effect sizes for these traits. This suggests that a decrease in mating latency at higher temperatures was associated with an increase in mating success and vice versa. In sum, our meta-analysis provides new insights into the effects of temperature on mating patterns. The absence of a consistent directional effect of temperature on mating behaviours and mating success suggests it may be difficult to predict changes in the strength of sexual selection in natural populations in a warming world. Nevertheless, there is some evidence that (a) higher temperatures during mating may lead to an increase in mating success and that (b) an increase in mating success is associated with a decrease in mating latency.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».