MétaCan
Menu
← Back to cohort
Record W3184293231 · doi:10.82308/36308

Behavioural innovation: Sources and predictors of intraspecific variation in Trinidadian guppies (Poecilia reticulata)

2021· article· en· W3184293231 on OpenAlexfundno aff
Paul Q. Sims

Bibliographic record

VenueeScholarship@McGill (McGill) · 2021
Typearticle
Languageen
FieldAgricultural and Biological Sciences
TopicAnimal Behavior and Reproduction
Canadian institutionsnot available
FundersNatural Sciences and Engineering Research Council of Canada
KeywordsPoeciliaIntraspecific competitionGuppyVariation (astronomy)BiologyZoologyEcologyFish <Actinopterygii>Fishery

Abstract

fetched live from OpenAlex

Au cours de leurs vies, la plupart des animaux vivront des changements environnementaux prévisibles et non-prévisibles. Pour plusieurs espèces, les adaptations comportementales sont importantes pour répondre rapidement aux ces changements. Nous observons de la variation notable en comportement chez les individus, mais les raisons pour cette variation ne sont pas claires. Dans ce travail de thèse, j’ai examiné les origines géographiques, ainsi que les indicateurs physiques et comportementales associés avec la variation individuelle dans la tendance d’innover (c’est-à-dire, la production des comportements novateurs) dans les guppy Trinidadiens (Poecilia retuculata). En chapitre 2, j’ai caractérisé et comparé les tendances d’innover et leurs indicateurs en deux populations femelles de guppy à Trinidad. J’ai démontré qu’il existe de la variation entre les populations, mais que les comportements actifs et exploratoires sont liés avec l’innovation dans une seule population examinée. Ces résultats suggèrent qu’il se peut que les différences entres des populations constituent une source importante de la variation intraspécifique, à la fois dans l’expression de l’innovation et leurs caractéristiques associées. Ensuite, en chapitre 3, j’ai analysé les tendances d’innover dans un contexte de laboratoire chez des guppy mâles et femelles. Pour mieux comprendre les indicateurs et les facteurs cognitives qui influencent l’innovation, j’ai examiné plusieurs comportements divers tel que la vitesse d’apprentissage. J’ai trouvé des différences en tendances d’innover ainsi que des différences en apprentissage entres les sexes, mais aucune influence des indicateurs comportementales, incluant apprentissage, sur l’innovation. Ceci peut suggérer que les tendances d’innover et d’apprendre sont soumises à des compromis entre la vitesse et la précision qui diffèrent pour les mâles et femelles. Cette incohérence avec les résultats vus en chapitre 2 soulève des questions à propos de quels facteurs soutiennent ces différences, puisque les expériences laboratoires et sur places utilisaient des tâches d’innovation différentes. Alors, j’ai examiné en chapitre 4 si les tendances d’innover et ses indicateurs étaient spécifiques à la tâche présentée ou pas, en faisant une comparaison de la performance individuelle des guppy mâles et femelles à travers quatre tâches nouvelles, comprenant deux styles de tâches. Semblable à chapitre 3, j’ai établi que le sexe d’un individu est une source importante de variation car les mâles et les femelles varient en répétabilité; quelques indices suggèrent une capacité générale pour les tâches présentées chez les mâles (cependant fortement influencé par deux tâches en particulier), contrairement aux femelles qui démontrent peu de répétabilité pour des tâches spécifiques. De plus, mes résultats suggèrent que les indicateurs comportementaux sont reproductibles, mais leurs influences dépendent de la tâche spécifique. Ceci explique peut-être les conclusions diverses des chapitres précédents. Dans l’ensemble, ma thèse démontre que la variation comportementale intraspécifique peut se produire d’une variété des sources, et soulève des questions importantes au sujet de comment les mesures différentes d’un comportement particulier sont reliées les uns aux autres

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.

How this classification was reachedexpand

Full frame machine prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.001
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Observational · Consensus signal: Observational
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.067
Threshold uncertainty score0.133

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0010.001
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0010.001
Science and technology studies0.0010.000
Scholarly communication0.0010.000
Open science0.0000.001
Research integrity0.0000.000
Insufficient payload (model declined to judge)0.0010.000

Machine scores (provisional)

The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.

Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.

Opus teacher head0.028
GPT teacher head0.212
Teacher spread0.185 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designObservational
Domainnot available
GenreEmpirical

How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".

Quick stats

Citations0
Published2021
Admission routes1
Has abstractyes

Explore more

Same venueeScholarship@McGill (McGill)→Same topicAnimal Behavior and Reproduction→French-language works237,207→