MétaCan
Menu
Retour à la cohorte
Enregistrement W6963919246 · doi:10.24431/rw1k46c

Development and testing of mechanistic fitness-based models to predict habitat choice, behavior, and recruitment of juvenile Chinook salmon in the Arctic-Yukon-Kuskokwim region, 2015-2017

2020· dataset· en· W6963919246 sur OpenAlexaboutno aff

Notice bibliographique

RevueAxiom Data Science · 2020
Typedataset
Langueen
Domaine
Thématique
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésForagingReplicateFlumeGraylingSalvelinusChinook windPredationJuvenile

Résumé

récupéré en direct d'OpenAlex

These data comprise the laboratory experiments on Arctic Grayling (Thymallus arcticus) and Dolly Varden charr (Salvelinus malma) as part of the larger Drift Model Project fish foraging and behavior study conducted by the Grossman Lab at the University of Georgia. Specifically, these data describe the results of many single- and multi-fish foraging experiments conducted on Arctic Grayling and Dolly Varden charr experimental specimens in an artificial stream flume in Athens, Georgia. The dataset consists of four Microsoft excel workbooks, two for single-fish experiments and two for multi-fish experiments (i.e., one workbook per species per experiment type). The data consists of: 1) individual markers for experimental specimens (or pairs in multi-fish experiments), 2) batch (i.e., experimental specimen groups), 3) predictor variable values (i.e., treatment velocities, fish sizes, days in captivity, and size rank and dominance [for multi-fish experiments]), 4) response variable values (i.e., prey capture success percentages, holding velocities, and reactive distances), and 5) other values of potential interest but not included in analyses (i.e., capture velocity, raw prey capture numbers, and variable measurements in alternate units). Fish used in all experiments were captured via hook and line between fall of 2015 and fall of 2016 from Panguingue Creek in Interior Alaska and immediately shipped to the University of Georgia upon capture. We subjected experimental specimens to a series of increasing water velocity treatment trials in an experimental stream flume to determine how prey capture success, holding velocity, and reactive distance were affected by treatment velocity, fish size, and days kept in captivity with additional categorical predictor variables of size rank (i.e., larger or smaller) and dominance (based on holding position within experimental stream flume) for multi-fish experiments. Treatment velocity and holding velocity measurements were made immediately prior to and following treatment velocity trials with a handheld electronic velocity meter. We made prey capture success measurements in real time immediately following each treatment velocity trial by recording the number of prey captured per fixed number of prey releases. Finally, reactive distance and capture velocity measurements were made after experiments had been completed via trial video analysis using the VidSync (www.vidsync.org) computer software. Dolly Varden charr and Arctic Grayling are economically and ecologically important species in Interior Alaska and understanding how these species utilize and select microhabitats has important implications for their management and overall stream fish-habitat relationship scholarship and conservation. Data are presented as two CSV files: Grayling_Dominance_Experiment_Data.csv Dolly_Dominance_Experiment_Data.csv

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 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)0,004
score de la tête « metaresearch » (Gemma)0,003
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
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 enseignants0,257
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,001
Communication savante0,0000,001
Science ouverte0,0050,003
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,235
Tête enseignante GPT0,362
Écart entre enseignants0,127 · 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 tête enseignante, pas un consensus.

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
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAxiom Data ScienceTravaux en français237 207