MétaCan
Menu
Retour à la cohorte
Enregistrement W6931887690 · doi:10.5683/sp2/rkwaik

Data from: Landscape structure and the genetic effects of a population collapse

2021· dataset· en· W6931887690 sur OpenAlexaff

Notice bibliographique

RevueBorealis · 2021
Typedataset
Langueen
DomaineMedicine
ThématiqueSports Performance and Training
Établissements canadiensWestern UniversityUniversity of AlbertaTrent UniversityUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésGenetic diversityGenetic structurePopulationHabitat fragmentationGenetic variabilityGenetic variationContext (archaeology)Population fragmentationFragmentation (computing)Population genetics

Résumé

récupéré en direct d'OpenAlex

AbstractBoth landscape structure and population size fluctuations influence population genetics. While independent effects of these factors on genetic patterns and processes are well studied, a key challenge is to understand their interaction, as populations are simultaneously exposed to habitat fragmentation and climatic changes that increase variability in population size. In a population network of an alpine butterfly, abundance declined 60–100% in 2003 because of low over-winter survival. Across the network, mean microsatellite genetic diversity did not change. However, patch connectivity and local severity of the collapse interacted to determine allelic richness change within populations, indicating that patch connectivity can mediate genetic response to a demographic collapse. The collapse strongly affected spatial genetic structure, leading to a breakdown of isolation-by-distance and loss of landscape genetic pattern. Our study reveals important interactions between landscape structure and temporal demographic variability on the genetic diversity and genetic differentiation of populations. Projected future changes to both landscape and climate may lead to loss of genetic variability from the studied populations, and selection acting on adaptive variation will likely occur within the context of an increasing influence of genetic drift.

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)0,006
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 enseignants0,027
Score d'incertitude au seuil0,089

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,006
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0270,020

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 Opus0,016
Tête enseignante GPT0,273
Écart entre enseignants0,258 · 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

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBorealisMême sujetSports Performance and TrainingTravaux en français237 207