Nonlinear phenomena in animal vocalizations: do they reflect alternative functional modes of voice control, ‘leaked’ cues to quality or condition, or both?
Notice bibliographique
Résumé
Nonlinear phenomena (NLP) in animal vocalizations typically present as abrupt departures from normative controlled voicing. They occur most commonly in loud vocalizations, often in contexts of high arousal, including alarm, aggression, fear or distress, or in elaborate displays of territory or competitive ability. They therefore invite interpretation as ‘mistakes’ that evince loss of vocal control resulting from effortful, emotional ‘over-driving’ of the vocal system. However, vocal over-driving may be more flexible and purposeful, representing an alternative functional mode of voice control if NLP can benefit signallers in some contexts. The latter perspective is first elaborated with examples from non-human primates before turning to cases where NLP truly do evince loss of vocal control that may then ‘leak’ cues to signaller quality or condition. To support future frameworks to study and understand the different domains where NLP occur, a functional distinction is emphasized that turns on whether high-amplitude, effortful voicing—which inherently predisposes NLP—is at the discretion of the signaller such that the focus is on the adaptive production of NLP, or whether effortful voicing is effectively forced upon signallers by other dictates of the context itself, changing the focus to being the adaptive avoidance of NLP. This article is part of the theme issue ‘Nonlinear phenomena in vertebrate vocalizations: mechanisms and communicative functions’.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».