Harmonizing marine zooplankton trait data toward a mechanistic understanding of ecosystem functioning
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 Compiling trait information promotes discovery and innovation in using trait‐based approaches in ecology. Various zooplankton trait datasets are stored in unlinked data repositories, in diverse data structures, and have varying levels of complexity. These require standardization and harmonization to allow interoperability and to limit the duplication of efforts in the time‐consuming and error‐prone task of trait compilation. This study aggregated and harmonized 33 zooplankton traits datasets and supplemented these with more than 150 references into a single zooplankton trait database with an initial set of 56 traits for 3535 marine zooplankton species. The database has a long data table structure using the entity‐attribute‐value format and includes taxonomic and ancillary metadata, and data source provenance preserving how the data were originally recorded. The database is stored both at the individual level (Level 1) and as species level means (Level 2). The Level 1 database has 57,615 rows of trait records and the Level 2 database has 14,977 unique trait‐taxon records. We evaluated the coverage of trait data, taxonomic representation, and strategies in filling‐in data gaps. Comparison of trait value estimation approaches identified allometric scaling to be more accurate than taxon‐level generalization and imputation. This centralized and harmonized marine zooplankton trait database aims to be extendable and future‐proof and to promote trait data sharing, FAIR (findable, accessible, interoperable, reusable) data practices, and reproducibility.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,005 |
| Science ouverte | 0,001 | 0,002 |
| 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 découle