MétaCan
Menu
Retour à la cohorte
Enregistrement W6892233630 · doi:10.5061/dryad.tv40b

Data from: Fluff-thieving birds sabotage seed dispersal

2016· dataset· en· W6892233630 sur OpenAlexaff

Notice bibliographique

RevueData Archiving and Networked Services (DANS) · 2016
Typedataset
Langueen
DomaineEnvironmental Science
ThématiqueAvian ecology and behavior
Établissements canadiensQueen's University
Organismes subventionnairesnon disponible
Mots-clésSeed dispersalBiological dispersalNest (protein structural motif)Mutualism (biology)Construct (python library)

Résumé

récupéré en direct d'OpenAlex

Characterizing many species interactions as mutualisms can be misleading because some members of the interaction derive greater fitness benefits at the expense of other members. We provide detailed natural history data on a suspected bird–plant mutualism in South Africa where many species of birds use fluffy Eriocephalus seed material to construct their nests, potentially dispersing seeds for the plant. We focus on a common bird, Prinia maculosa, which invests heavily in gathering Eriocephalus material. Prinias spent 5 of their median 6-day nest construction period adding seed material to their nests and frequently travelled outside their territory boundary to gather Eriocephalus material. Yet, prinias gathered primarily Eriocephalus fluff and actively avoided gathering seeds. The average prinia nest contained only 6.6 seeds, but contained fluff from 579 seeds. These data suggest that prinias provide limited dispersal benefits to Eriocephalus plants. By contrast, the large amounts of Eriocephalus fluff in prinia nests, and the effort that prinias invest in gathering it, suggest that prinias benefit from constructing their nests with Eriocephalus material. We end by outlining hypotheses for possible fitness benefits that Eriocephalus material could provide prinias and other birds.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Jeu de données · Signal consensuel: Jeu de données
Score de désaccord entre enseignants0,038
Score d'incertitude au seuil0,092

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,004
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0280,028

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.

Tête enseignante Opus0,023
Tête enseignante GPT0,264
Écart entre enseignants0,241 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreJeu de données

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueData Archiving and Networked Services (DANS)Même sujetAvian ecology and behaviorTravaux en français237 207