Efficacy of firearms for bear deterrence in Alaska
Notice bibliographique
Résumé
Abstract We compiled, summarized, and reviewed 269 incidents of bear–human conflict involving firearms that occurred in Alaska during 1883–2009. Encounters involving brown bears ( Ursus arctos ; 218 incidents, 81%), black bears ( Ursus americanus ; 30 incidents, 11%), polar bears ( Ursus maritimus ; 6 incidents, 2%), and 15 (6%) unidentified species provided insight into firearms success and failure. A total of 444 people and at least 367 bears were involved in these incidents. We found no significant difference in success rates (i.e., success being when the bear was stopped in its aggressive behavior) associated with long guns (76%) and handguns (84%). Moreover, firearm bearers suffered the same injury rates in close encounters with bears whether they used their firearms or not. Bears were killed in 61% ( n = 162) of bear–firearms incidents. Additionally, we identified multiple reasons for firearms failing to stop an aggressive bear. Using logistic regression, the best model for predicting a successful outcome for firearm users included species and cohort of bear, human activity at time of encounter, whether or not the bear charged, and if fish or game meat was present. Firearm variables (e.g., type of gun, number of shots) were not useful in predicting outcomes in bear–firearms incidents. Although firearms have failed to protect some users, they are the only deterrent that can lethally stop an aggressive bear. Where firearms have failed to protect people, we identified contributing causes. Our findings suggest that only those proficient in firearms use should rely on them for protection in bear country. © 2012 The Wildlife Society.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».