BIOTURBATORS AS ECOSYSTEM ENGINEERS: ASSESSING CURRENT MODELS
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ABSTRACT Bioturbating organisms can dramatically alter the physical, chemical, and hydrological properties of the sediment and promote or hinder microbial growth. They are a classic example of “ecosystem engineers” as they alter the availability of resources to other species. Multiple evolutionary hypotheses evoke bioturbation as a possible driver for historical ecological change. To test these hypotheses, researchers need reliable and reproducible methods for estimating the impact of bioturbation in ancient environments. Early efforts to record and compare this impact through geologic time focused on the degree of bioturbation (e.g., bioturbation indices), the depth of bioturbation (e.g., bioturbation depth), or the structure of the infaunal community (e.g., tiering, ecospace utilization). Models which combine several parameters (e.g., functional groups, tier, motility, sediment interaction style) have been proposed and applied across the geological timescale in recent years. Here, we review all models that characterize the impact of bioturbators on the sedimentary environment (i.e., ‘ecosystem engineering'), in both modern and fossil sediments, and propose several questions. What are the assumptions of each approach? Are the current models appropriate for the metrics they wish to measure? Are they robust and reproducible? Our review highlights the nature of the sedimentary environment as an important parameter when characterizing ecosystem engineering intensity and outlines considerations for a best-practice model to measure the impact of bioturbation in geological datasets.
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.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,005 | 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 découle