When cheating turns into a stabilizing mechanism of plant–pollinator communities
Notice bibliographique
Résumé
Mutualistic interactions, such as plant-mycorrhizal or plant-pollinator interactions, are widespread in ecological communities and frequently exploited by cheaters, species that profit from interactions without providing benefits in return. Cheating usually negatively affects the fitness of the individuals that are cheated on, but the effects of cheating at the community level remains poorly understood. Here, we describe 2 different kinds of cheating in mutualistic networks and use a generalized Lotka-Volterra model to show that they have very different consequences for the persistence of the community. Conservative cheating, where a species cheats on its mutualistic partners to escape the cost of mutualistic interactions, negatively affects community persistence. In contrast, innovative cheating occurs with species with whom legitimate interactions are not possible, because of a physiological or morphological barrier. Innovative cheating can enhance community persistence under some conditions: when cheaters have few mutualistic partners, cheat at low or intermediate frequency and the cost associated with mutualism is not too high. Under these conditions, the negative effects of cheating on partner persistence are overcompensated at the community level by the positive feedback loops that arise in diverse mutualistic communities. Using an empirical dataset of plant-bird interactions (hummingbirds and flowerpiercers), we found that observed cheating patterns are highly consistent with theoretical cheating patterns found to increase community persistence. This result suggests that the cheating patterns observed in nature could contribute to promote species coexistence in mutualistic communities, instead of necessarily destabilizing them.
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 | 0,000 |
| 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) | 0,000 | 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 ».