Winner and loser effects: a meta-analysis
Notice bibliographique
Résumé
Aggressive interactions can strongly influence an animal's performance in subsequent contests. Winners of aggressive contests are more likely to win successive contests and losers are more likely to lose successive contests. Such winner and loser effects can significantly influence an animal's dominance status, ability to acquire resources and reproductive success. Thus, quantifying the magnitudes of winner and loser effects across taxa is important for our understanding of hierarchy formation, life history trade-offs and reproductive tactics in different species. Furthermore, it is unclear whether the magnitude of winner effects differ from that of loser effects. Finally, experimenters often employ one of two distinct methods for quantifying the strength of winner and loser effects: self-selection and random assignment. Due to selection bias, it is possible that self-selection protocols overestimate the magnitude of winner and loser effects. We therefore systematically searched the literature to conduct a comprehensive meta-analysis of winner and loser effects. We analysed a total of 168 effect sizes from arachnids, crustaceans, fishes, insects, mammals and reptiles. We found that prior winners tend to win approximately two-thirds of their subsequent fights, while prior losers tend to lose approximately two-thirds of their subsequent fights. While we did not find that studies using self-selection generated effect size estimates that significantly differed from random assignment protocols, future studies should still avoid self-selection protocols. Overall, our study highlights the ubiquity of winner and loser effects across the animal kingdom and suggests several avenues for future research to unravel the evolutionary origins and mechanistic underpinnings of such experience effects.
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) | 0,002 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».