ASSESSING AVALANCHE RESCUE DOGS' ABILITY TO DETECT HUMAN SCENT WITH CONTAMINANTS ON SITE: DEVELOPING A METHODOLOGY
Notice bibliographique
Résumé
ABSTRACT: Avalanche search and rescue dogs are efficient in locating buried humans in avalanche debris when alternative rescue techniques fail. It is poorly understood how surface contaminants affect a dog's scenting ability at the search site. In this small-scale pilot study we developed a practical and re-peatable methodology to test dogs ’ scenting abilities amidst various surface contaminants including tree debris and gasoline fumes. The tests, conducted over the course of two days with operational dogs from Alaska Search and Rescue Dogs and Alyeska Ski Patrol, included two control and two contaminant tests on 30-m by 30-m simulated avalanche debris fields. Quantitative analysis reveals the time taken to indi-cate human scented articles was significantly higher with the introduction of tree debris (p <.001) while the time was significantly lower with the introduction of gasoline fumes (p <.001). Further video analysis was used to assess dogs ’ working behavior around contaminants. The results provoke questions as to whether tree debris acts as a scenting or visual distraction and why an introduction of gasoline fumes does not adversely affect dog’s scenting ability. Using the developed methodology, we will collect more data during winter season 2014-15 from operational dog teams throughout the U.S and Canada. Analysis of contaminants effects on scenting abilities will provide handlers insight into avalanche dogs ’ scenting abilities and help enhance the training of avalanche rescue dogs.
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 | 0,008 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».