MétaCan
Menu
← Retour à la cohorte
Enregistrement W6967314866 · doi:10.5061/dryad.218p0v2

Data from: Olfactory cues of habitats facilitate learning about landscapes of fear

2018· dataset· en· W6967314866 sur OpenAlexaff

Notice bibliographique

RevueData Archiving and Networked Services (DANS) · 2018
Typedataset
Langueen
DomaineEarth and Planetary Sciences
ThématiqueMarine and coastal plant biology
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesnon disponible
Mots-clésPredationHabitatPredatorTraitOlfactory cuesInvasive species

Résumé

récupéré en direct d'OpenAlex

Across landscapes, prey are exposed to different levels of predation risk within different habitats. However, little is known about how prey learn about risk in different habitat types. Here, we examined if wood frog tadpoles, Lithobates sylvatica, use olfactory cues from two distinct, plant-dominated habitats (cattail and pond weed) to learn about the overall risk within a habitat and the risk posed by a specific predator species within different habitats. In our first experiment, tadpoles experienced both a high-risk and a low-risk habitat before being tested for habitat-specific neophobic responses, a cognitive trait expressed in high-risk but not low-risk environments. In the second experiment, we taught tadpoles to recognise a predator in one habitat while the other one was never associated with a predator. Tadpoles were then tested for their responses to the predator and a control in both habitats. Our results showed that high-risk cattail tadpoles developed habitat-specific neophobia. However, high-risk pond weed tadpoles developed a generalised neophobia, responding to the novel cues irrespective of the habitat where they were tested. We also found that the habitat in which prey learned the identity of a specific predator did not affect their responses to that predator when tested in different habitats. Our results provide support for the use of olfactory habitat cues by prey to learn about predation risk across landscapes, suggesting unrecognised nuances to how prey use such cues to learn about predation risk.

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)0,002
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: aucune
Score de désaccord entre enseignants0,274
Score d'incertitude au seuil0,915

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,2740,067

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 Opus0,043
Tête enseignante GPT0,241
Écart entre enseignants0,198 · 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
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueData Archiving and Networked Services (DANS)→Même sujetMarine and coastal plant biology→Travaux en français237 207→