MétaCan
Menu
Retour à la cohorte
Enregistrement W7084755305 · doi:10.17605/osf.io/kjv3x

Sexual Dimorphism in Penguin Bill Length Across Species

2025· other· en· W7084755305 sur OpenAlexaff

Notice bibliographique

RevueOpen Science Framework · 2025
Typeother
Langueen
DomaineEngineering
ThématiqueSmart Parking Systems Research
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésSexual dimorphismTraitForagingNicheNiche differentiationSexual selection

Résumé

récupéré en direct d'OpenAlex

Sexual dimorphism, or biological differences between males and females of the same species, is a widespread phenomenon with important implications for ecology, evolution, and biodiversity (Tsuji, 2020). In birds, sexual dimorphism in bill morphology often reflects ecological specialization, sexual selection, or niche differentiation between sexes (Bolnick, 2003; Temeles, 2010). In penguins, bill morphology is a key functional trait linked to foraging ecology, mate choice, and species recognition, making it an ideal trait for studying dimorphism (Gorman, 2014). The availability of high-quality field data in the form of the palmerpenguins dataset (Horst, 2020) provides an opportunity to quantify sexual dimorphism in penguins and test whether its magnitude varies across different species. The palmerpenguins dataset provides standardized morphometric data for Adelie, Chinstrap, and Gentoo penguins in the Palmer Archipelago, allowing direct comparison of bill length across sexes and species. By testing whether bill length differs consistently between male and female penguins across species, this study contributes to a broader understanding of how sexual dimorphism presents across organisms and how it may relate to ecological differentiation. More specifically, it asks whether dimorphism is uniform across closely related species or whether species-specific ecological pressures (e.g., diet, habitat) influence its magnitude.

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)0,003
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,031

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0090,003

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 Opus0,036
Tête enseignante GPT0,355
Écart entre enseignants0,319 · 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
GenreEmpirique

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
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOpen Science FrameworkMême sujetSmart Parking Systems ResearchTravaux en français237 207