Wearable reproductive trackers: quantifying a key life history event remotely
Notice bibliographique
Résumé
Abstract Advancements in biologging technology allow terabytes of data to be collected that record the location of individuals but also their direction, speed and acceleration. These multi-stream data sets allow researchers to infer movement and behavioural patterns at high spatiotemporal resolutions and in turn quantify fine-scale changes in state along with likely ecological causes and consequences. The scope offered by such data sets is increasing and there is potential to gain unique insights into a suite of ecological and life history phenomena. We use multi-stream data from global positioning system (GPS) and accelerometer (ACC) devices to quantify breeding events remotely in an Arctic breeding goose. From a training set of known breeders we determine the movement and overall dynamic body acceleration patterns indicative of incubation and use these to classify breeding events in individuals with unknown reproductive status. Given that researchers are often constrained by the amount of biologging data they can collect due to device weights, we carry out a sensitivity analysis. Here we explore the relative merits of GPS vs ACC data and how varying the temporal resolution of the data affects the accuracy of classifying incubation for birds. Classifier accuracy deteriorates as the temporal resolution of GPS and ACC are reduced but the reduction in precision (false positive rate) is larger in comparison to recall (false negative rate). Precision fell to 94.5%, whereas recall didn’t fall below 98% over all sampling schedules tested. Our data set could have been reduced by c.95% while maintaining precision and recall > 98%. The GPS-only classifier generally outperformed the ACC-only classifier across all accuracy metrics but both performed worse than the combined GPS and ACC classifier. GPS and ACC data can be used to reconstruct breeding events remotely, allowing unbiased, 24-h monitoring of individuals. Our resampling-based sensitivity analysis of classifier accuracy has important implications with regards to both device design and sampling schedules for study systems, where device size is constrained. It will allow researchers with similar aims to optimize device battery, memory usage and lifespan to maximise the ability to correctly quantify life history events.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».