Testing for effects of growth rate on isotope trophic discrimination factors and evaluating the performance of Bayesian stable isotope mixing models experimentally: A moment of truth?
Notice bibliographique
Résumé
Discerning assimilated diets of wild animals using stable isotopes is well established where potential dietary items in food webs are isotopically distinct. With the advent of mixing models, and Bayesian extensions of such models (Bayesian Stable Isotope Mixing Models, BSIMMs), statistical techniques available for these efforts have been rapidly increasing. The accuracy with which BSIMMs quantify diet, however, depends on several factors including uncertainty in tissue discrimination factors (TDFs; Δ) and identification of appropriate error structures. Whereas performance of BSIMMs has mostly been evaluated with simulations, here we test the efficacy of BSIMMs by raising domestic broiler chicks (Gallus gallus domesticus) on four isotopically distinct diets under controlled environmental conditions, ideal for evaluating factors that affect TDFs and testing how BSIMMs allocate individual birds to diets that vary in isotopic similarity. For both liver and feather tissues, δ13C and δ 15N values differed among dietary groups. Δ13C of liver, but not feather, was negatively related to the rate at which individuals gained body mass. For Δ15N, we identified effects of dietary group, sex, and tissue type, as well as an interaction between sex and tissue type, with females having higher liver Δ15N relative to males. For both tissues, BSIMMs allocated most chicks to correct dietary groups, especially for models using combined TDFs rather than diet-specific TDFs, and those applying a multiplicative error structure. These findings provide new information on how biological processes affect TDFs and confirm that adequately accounting for variability in consumer isotopes is necessary to optimize performance of BSIMMs. Moreover, results demonstrate experimentally that these models reliably characterize consumed diets when appropriately parameterized.
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 | 0,026 | 0,096 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».