No strong evidence that modularity, specialization or nestedness are linked to seasonal climatic variability in bipartite networks
Notice bibliographique
Résumé
Abstract Aim Given the influence of seasonality on most ecological systems, an emerging research area attempts to understand how community network structure is shaped by seasonal climatic variations. To do so, most researchers conduct their analyses using open networks due to the high cost associated with constructing their own community networks. However, unwanted structural differences from the unique sampling and construction methods used to create each open network likely make comparing these networks a difficult task. Here, with the largest set of open bipartite networks collected to date, we test whether seasonal climatic variations explain network structure while additionally accounting for construction/sampling differences between networks. Location Trying to approach global. Time period Contemporary. Major taxa studied Plants and animals. Methods Using 723 open bipartite networks, we test whether temperature and/or precipitation seasonality explains (un)weighted metrics of nestedness, modularity or specialization across plant–pollinator, seed‐dispersal, plant–ant, host–parasite or plant–herbivore systems. Results Generally, seasonality only weakly explained network structure: at most 16% of the variation in weighted metrics and 5% of the variation in unweighted metrics. Instead, a control for sampling bias in networks, sampling intensity, often better explained many of the network structural metrics. When limiting our analyses to only intensely sampled networks, however, about 33% of the variation in weighted modularity and specialization was explained by seasonality, but only in plant–pollinator networks. Main conclusions Altogether, we do not find strong evidence that seasonality explains network structure. Our study also highlights the large amount of structural differences in open networks, likely from the many different sampling and network construction techniques adopted by researchers when constructing networks. Hence, a definitive test for the relationship between network structure and seasonality across large spatial extents will require a dataset free from sampling and other biases, where networks are derived from a consistent sampling protocol that appropriately characterizes communities.
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 | 0,002 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».