Local environment and sampling bias drive parasite prevalence estimates in freshwater fish communities
Notice bibliographique
Résumé
Parasite occurrence and infection estimates vary through time and space, making understanding the underlying drivers highly complex. Comparative studies based on empirical data must consider the factors of variation involved in estimating infection metrics in natural populations to make appropriate and reliable comparisons. Using a multi‐scale approach, we explored the sources of variation in the estimation of infection prevalence, focusing on black spot disease in littoral freshwater fish communities sampled across 15 lakes in Québec, Canada. Method‐related sampling biases led to significant variations in prevalence estimates and spatial patterns of disease occurrence. Our results also indicated that low sampling efforts tend to overestimate the prevalence of infection in the landscape, with minimum sampling effort required to estimate an accurate infection prevalence depending on the sampling method employed. Our results showed that infection prevalence is spatially heterogeneous across the landscape with evidence of infection hotspots and coldspots. Physico‐chemical characteristics of the sites and local fish community structure were found to be the best drivers of infection at smaller spatial scales. Furthermore, our results suggest dilution effects, due to physical obstruction and compatibility barriers, limit the survival of the free‐living cercaria parasite life stage. Several relationships between infection prevalence and environmental drivers revealed non‐linearity, suggesting complex interactions. Examining infection prevalence data at various spatial scales revealed method‐induced biases, sampling effort effect, and environment‐driven relationships underscoring the importance of context‐dependencies and scale‐dependencies in empirical studies on host–parasite interactions.
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 | 0,000 |
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 ».