A new data-driven paradigm for the study of avian migratory navigation
Notice bibliographique
Résumé
Avian navigation has fascinated researchers for many years. Yet, despite a vast amount of literature on the topic it remains a mystery how birds are able to find their way across long distances while relying only on cues available locally and reacting to those cues on the fly. Navigation is multi-modal, in that birds may use different cues at different times as a response to environmental conditions they find themselves in. It also operates at different spatial and temporal scales, where different strategies may be used at different parts of the journey. This multi-modal and multi-scale nature of navigation has however been challenging to study, since it would require long-term tracking data along with contemporaneous and co-located information on environmental cues. In this paper we propose a new alternative data-driven paradigm to the study of avian navigation. That is, instead of taking a traditional theory-based approach based on posing a research question and then collecting data to study navigation, we propose a data-driven approach, where large amounts of data, not purposedly collected for a specific question, are analysed to identify as-yet-unknown patterns in behaviour. Current technological developments have led to large data collections of both animal tracking data and environmental data, which are openly available to scientists. These open data, combined with a data-driven exploratory approach using data mining, machine learning and artificial intelligence methods, can support identification of unexpected patterns during migration, and lead to a better understanding of multi-modal navigational decision-making across different spatial and temporal scales.
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 | 0,017 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,008 | 0,009 |
| Science ouverte | 0,006 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,006 |
| 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; 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 ».