MétaCan
Menu
Retour à la cohorte
Enregistrement W6948573498 · doi:10.5061/dryad.s1rn8pkff

Selection for evasive mimicry imposed by an arthropod predator

2023· dataset· en· W6948573498 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueDRYAD · 2023
Typedataset
Langueen
DomaineEnvironmental Science
ThématiqueSustainability, Environment, and Optimization Algorithms
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésMimicryPredationAposematismArthropodPredatorSelection (genetic algorithm)

Résumé

récupéré en direct d'OpenAlex

It has long been hypothesized that a species that is relatively easy to catch by predators may face selection to resemble a species that is harder to catch. Several experiments using avian predators have since supported this “evasive mimicry” hypothesis. However, the sudden movement of artificial evasive prey in each of the above experiments may have startled the predators, generating an avoidance response unrelated to difficulty of capture. Additionally, in the above experiments, the catchability of prey was all or nothing, while in nature predators may occasionally catch evasive prey or fail to catch slower species, which might inhibit learning. Here, using mantids as predators, we conducted an experimental test of the evasive mimicry hypothesis that circumvents these limitations, using live painted calyptrate flies with modified evasive capabilities as prey. We found that mantids readily learned to avoid pursuing the more evasive prey types. Warning signals based on evasiveness and their associated mimicry may be widespread phenomena in nature. These findings not only further support its plausibility but demonstrate that even arthropod predators can select for it.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,003
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,002

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 Opus0,008
Tête enseignante GPT0,261
Écart entre enseignants0,252 · 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