How dear are deer volunteers: the efficiency of monitoring deer using teams of volunteers to conduct pellet group counts
Notice bibliographique
Résumé
Abstract Deer populations are increasing throughout the northern hemisphere, and unregulated numbers can jeopardize biodiversity and the economy. These populations are difficult to monitor using visual counts. Estimating densities from surveys of faecal pellets is reliable but time-consuming and thus, if carried out by professionals, expensive. Utilizing volunteers has clear advantages. Based on research from the UK (6 years) and Nova Scotia, Canada (4 years), we investigated the methodological refinements and training required to achieve reliable data when using volunteers. For safety reasons volunteers worked in teams of 5–10 (n = 611) under supervision of scientists. We compared faecal accumulation rate and faecal standing crop surveys using 10 × 10 m quadrats. Both methods produced similar estimates of density, but because of significant time savings and greater volunteer enjoyment we favour faecal standing crop over faecal accumulation rate surveys. Volunteer teams surveyed quadrats significantly faster than a single professional but needed significantly longer to reach and stake out new quadrats. On average, teams found 68% of all droppings. Performance of individuals was affected by training, gender, and willingness and aptitude to survey. After five quadrats men scored significantly higher than women but this difference was reduced after 20 quadrats. Age did not affect performance but willingness and aptitude correlated with ability to find and identify droppings. We conclude that volunteers can monitor deer effectively but that techniques should be modified. The provision of context, training, supervision and verification by a professional are essential. Because of the drain on scientists’ time, cost-effective volunteer deployment is a question of scale.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».