A protocol for assessing bias and robustness of social network metrics using GPS based radio-telemetry data
Notice bibliographique
Résumé
Abstract Background Social network analysis of animal societies allows scientists to test hypotheses about social evolution, behaviour, and dynamic processes. However, the accuracy of estimated metrics depends on data characteristics like sample proportion, sample size, and frequency. A protocol is needed to assess for bias and robustness of social network metrics estimated for the animal populations especially when a limited number of individuals are monitored. Methods We used GPS telemetry datasets of five ungulate species to combine known social network approaches with novel ones into a comprehensive five-step protocol. To quantify the bias and uncertainty in the network metrics obtained from a partial population, we presented novel statistical methods which are particularly suited for autocorrelated data, such as telemetry relocations. The protocol was validated using a sixth species, the fallow deer, with a known population size where $$\sim 85\%$$ ∼ 85 % of the individuals have been directly monitored. Results Through the protocol, we demonstrated how pre-network data permutations allow researchers to assess non-random aspects of interactions within a population. The protocol assesses bias in global network metrics, obtains confidence intervals, and quantifies uncertainty of global and node-level network metrics based on the number of nodes in the network. We found that global network metrics like density remained robust even with a lowered sample size, while local network metrics like eigenvector centrality were unreliable for four of the species. The fallow deer network showed low uncertainty and bias even at lower sampling proportions, indicating the importance of a thoroughly sampled population while demonstrating the accuracy of our evaluation methods for smaller samples. Conclusions The protocol allows researchers to analyse GPS-based radio-telemetry or other data to determine the reliability of social network metrics. The estimates enable the statistical comparison of networks under different conditions, such as analysing daily and seasonal changes in the density of a network. The methods can also guide methodological decisions in animal social network research, such as sampling design and allow more accurate ecological inferences from the available data. The R package aniSNA enables researchers to implement this workflow on their dataset, generating reliable inferences and guiding methodological decisions.
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 | 0,051 | 0,138 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,033 | 0,012 |
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 ».