<scp>rarestR</scp> : An R Package Using Rarefaction Metrics to Estimate α‐ and β‐Diversity for Incomplete Samples
Notice bibliographique
Résumé
ABSTRACT Aim Species abundance data is commonly used to study biodiversity patterns. In this context, comparing α‐ and β‐diversity across incomplete samples can lead to biases. Therefore, it is essential to employ methods that enable standardised and accurate comparisons of α‐ and β‐diversity across varying sample sizes. In addition, biodiversity studies also often require robust estimates of the total number of species within a community and the number of species shared by two communities. Innovation Rarefaction methods are commonly used to calculate α‐diversity for standardised sample sizes, and they can also serve as the basis for calculating β‐diversity. In this application note, we present rarestR , a new R package designed for calculating abundance‐based α‐ and β‐diversity measures for inconsistent samples using rarefaction‐based metrics. The package also includes parametric extrapolation techniques to estimate the total expected number of species within a community, as well as the total number of species shared between two communities. Additionally, rarestR provides visualisation tools for curve‐fitting associated with these estimators. Main Conclusions Overall, the rarestR package is a valuable tool for comparing α‐ and β‐diversity values among incomplete samples, such as those involving highly mobile or species‐rich taxa. In addition, our species estimators offer a complementary approach to non‐parametric methods, including the Chao series of estimators.
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 | 0,011 | 0,061 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,003 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,075 | 0,045 |
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 ».