Moving past the challenges and misconceptions in urban adaptation research
Notice bibliographique
Résumé
Although the field of urban evolutionary ecology is in its infancy, much progress has been made in identifying adaptations that arise as a result of selective pressures within these unique environments. However, as studies within urban environments have rapidly increased, researchers have recognized there are challenges and opportunities in characterizing urban adaptation. Some of these challenges are novel as a consequence of increased direct and indirect human influence, which compounds long-recognized issues with research on adaptive evolution more generally. In this perspective, we discuss several common research challenges to urban adaptation related to: (1) methodological approaches, (2) trait-environment relationships and the natural history of organisms, (3) agents and targets of selection, and (4) habitat heterogeneity. Ignoring these challenges may lead to misconceptions and further impede our ability to draw conclusions regarding evolutionary and ecological processes in urban environments. Our goal is to first shed light on the conceptual challenges of conducting urban adaptation research to help avoid propagation of these misconceptions. We further summarize potential strategies to move forward productively to construct a more comprehensive picture of urban adaptation, and discuss how urban environments also offer unique opportunities and applications for adaptation research.
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 | 0,158 | 0,158 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,005 | 0,072 |
| Communication savante | 0,016 | 0,035 |
| Science ouverte | 0,008 | 0,010 |
| Intégrité de la recherche | 0,008 | 0,025 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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.
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 ».