MétaCan
Menu
Retour à la cohorte
Enregistrement W6950324323 · doi:10.5441/001/1.tj948m64/2

Glaucous gull Elliott Coats-light-levels

2021· dataset· en· W6950324323 sur OpenAlexaboutno aff

Notice bibliographique

RevueMovebank · 2021
Typedataset
Langueen
DomaineEarth and Planetary Sciences
ThématiqueOceanographic and Atmospheric Processes
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSeabirdGeneralist and specialist speciesHabitatPredationPelagic zoneBird migrationLarus

Résumé

récupéré en direct d'OpenAlex

Many seabird populations differ in their migration strategies, where individuals travel in different directions to separate wintering areas. These migratory strategies may expose individuals to different threats, thus understanding migratory connectivity is crucial to assess risks to populations. Glaucous gulls (Larus hyperboreus) are generalist predators with flexible migratory behaviour that may alter these behaviours in response to climate change and anthropogenic activities, such as access to landfills, yet little is known about their migration. We deployed GPS and GLS tracking devices on glaucous gulls from Coats Island, Nunavut, Canada to obtain the first insights into their migration and habitat use outside of the breeding season. Gulls used two migration strategies during the non-breeding season, where one migrated as far as the Sea of Okhotsk in the Pacific and the remainder (n = 7) wintered in the North Atlantic. Gulls primarily overwintered in pelagic (56%) and coastal (38%) habitats. While in coastal habitats, one gull visited one landfill once, but visits increased with a 1 km and 3 km buffer, suggesting that urban glaucous gulls primarily used non-landfill habitats. This research can be used as a baseline to explore changes in migratory behaviour and inform future conservation of Arctic-breeding gulls.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Jeu de données · Signal consensuel: Jeu de données
Score de désaccord entre enseignants0,688
Score d'incertitude au seuil0,628

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,003
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0110,008

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 Opus0,012
Tête enseignante GPT0,207
Écart entre enseignants0,196 · 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'étudeObservationnel
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 revueMovebankMême sujetOceanographic and Atmospheric ProcessesTravaux en français237 207