Existing flower preference metrics disagree on best plants for pollinators: which metric to choose?
Notice bibliographique
Résumé
Abstract When planting flowers for pollinator conservation, determining what flowers to plant is challenging because flower establishment can be time‐consuming and resource‐intensive. To alleviate this challenge, researchers have proposed methods to mathematically determine from plant–pollinator interaction data which flower species pollinators prefer, which can be defined as the likelihood that a flower species will be chosen by pollinators when offered on an equal basis with other flower species. We compared the flower lists produced by five sensible, peer‐reviewed preference metrics calculated from the same dataset and examined how each metric controls for flower abundance and relates to number of pollinator visits. We found little correlation between the ranked flower lists returned by each preference metric and that the metrics varied in the extent to which they controlled for abundance and provided different information than number of visits. The discordance among calculated flower preference lists is partially due to the different way each metric controls for abundance and suggests that these preference metrics need to be empirically tested and that more research is needed into the factors that impact pollinator floral preference. We discourage the use of three preference metrics (confidence interval, resource use and mass action hypothesis metrics), caution against the use of one (centrality metric) and recommend the use of the preference index metric due to its insensitivity to insufficient sampling, ease of use and the fact that it is not correlated with the number of pollinator visits.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 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 ».