Figs and frugivores in the Afrotropics:inferring biotic interactions in a seed-dispersal meta-network
Notice bibliographique
Résumé
Natural and anthropogenic climate change influence the geographical range and survival of species and can lead to new or lost species interactions, eventually re-organizing entire biological communities into new novel communities. However, species networks are inherently complex and difficult to fully characterize, thus we often have an incomplete picture of all potential interactions in a community. Machine learning has proven useful for inferring biotic interactions in ecological networks, thereby filling the gap of unobserved but potential interactions. Here we develop a macro-ecological framework for inferring seed-dispersal interactions. Specifically, we gathered data on mutualistic interactions between Afrotropical figs (Ficus) and frugivorous animals which consume figs, dispersing their seeds. Based on 734 studies, we compiled a database of 4570 unique empirical interactions between 106 fig species and 492 frugivore species (271 birds and 214 mammals). Here we show how these data are taxonomically and geographically biased toward highly studied families and geographic areas, highlighting the need for unbiased predictions of potential species interactions. We also elucidate how these observed interactions can be combined with functional traits of both the figs and frugivores in machine-learning algorithms for classifying novel interactions. By understanding how functional traits drive seed dispersal interactions on a macro-scale, it is possible to model lost or acquired interactions as well as extinction velocity and sensitivity as species move in response to global change. The proposed framework can ultimately provide new insights into the stability of ecological communities on a continental scale, and the importance of specific functional traits in seed dispersal networks.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».