Predicting Migratory Survival in a Songbird Hybrid Zone Using Machine Learning
Notice bibliographique
Résumé
Extrinsic postzygotic isolation-selection against hybrids between populations that have undergone divergent ecological adaptation-is hypothesized to play a central role in speciation but is notoriously difficult to demonstrate, as it requires evidence that ecologically relevant traits influence hybrid fitness. We addressed this challenge using individual radio tracking and machine learning in a hybrid zone between two songbirds where differences in seasonal migration are thought to serve as extrinsic isolating barriers. Using detection rates as a proxy for survival, we built a random forest classification model to predict survival from a set of genetic, morphological, and behavioural traits. The model achieved moderately high accuracy (72%), with better prediction for birds that did not survive migration. Alongside body condition and study year, the traits that contributed most to classification were genetic ancestry, genetic heterozygosity, and fall orientation. These traits had non-linear effects on survival, with some values actually predicting higher survival in hybrids. Together, these results suggest that a bird's hybrid class-defined by ancestry and heterozygosity-and its initial migratory direction affect migratory survival. Interactions with morphology are important and along with non-linear associations between traits and survival, reflect the complexity of relationships between behavioral traits and fitness. Our model not only provides a complete picture for the role ecological selection on migration plays in speciation, but also supports growing evidence that some hybrids may benefit from admixture.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».