Detectability of a poison frog and its Batesian mimic depends on body posture and viewing angle
Notice bibliographique
Résumé
Abstract Aposematic signals warn predators that prey should be avoided due to dangerous secondary defences. However, as warning signals do not always produce avoidance, warning colors may evolve as a trade-off balancing detectability against signal saliency. For Batesian mimics, which display salient signals but lack secondary defenses, the costs of predator encounters are greater, potentially increasing the benefit of crypsis. This raises the question of whether imperfect mimicry may reduce detectability while retaining mimetic efficacy. We tested this hypothesis with the poisonous frog Ameerega bilinguis and undefended Batesian mimic Allobates zaparo, using computational visual modeling and screen-based detection trials with human participants. We found that both species incorporate camouflage into their warning colors, but to different degrees depending on viewing angle and behavior. Contrary to expectation, we found differences in detectability between model and mimic that do not adhere to the hypothesized cryptic mimetic phenotype. To aerial observers, we found the mimic to be more detectable than the model. To terrestrial observers, likely owing to the model’s bright ventral color, we found the model more detectable in viewing angles that highlight the ventral coloration, whereas the mimic was more detectable in viewing angles that highlight the dorsal coloration. Consequently, we suggest that in addition to being the result of perceptual or developmental constraints, imperfect mimicry may also evolve as an adaptive strategy which balances camouflage with different signaling functions. Our findings complement the emerging view that aposematic signals may evolve in response to a multitude of selection pressures beyond aversion alone.
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 ».