Implementing recovery of the red wolf-integrating research scientists and managers
Notice bibliographique
Résumé
The United States Fish and Wildlife Service (USFWS) developed guidelines for the composition and role of endangered species recovery implementation teams, but few teams have been established and their success has not been evaluated. Using the recovery program of the red wolf (Canis rufus) as a model, we describe the genesis, function, and success of the Red Wolf Recovery Implementation Team (RWRIT) in helping guide the establishment of a viable red wolf population in eastern North Carolina. In operation since 1999, the RWRIT meets bi-annually to review USFWS progress and provide recommendations aimed at maximizing success of species recovery. The team is comprised of 8 research scientists from disciplines including population genetics, canid ecology, population ecology, veterinary medicine, and captive management. Representation from each of these disciplines is deemed necessary for proper evaluation of recovery progress and assessment of future needs. Meeting attendance by the USFWS field management team ensures both proper reporting of past progress and future implementation of management recommendations. Over time, RWRIT members have assumed specific assignments for data analyses, further contributing to the recovery effort. Through the combined efforts of the USFWS field team and the RWRIT, the threat of introgression of coyote (Canis latrans) genes into the red wolf population has been substantially curtailed within the recovery area, and red wolf numbers and range have increased. The RWRIT serves as an example of a recovery implementation team that is successfully incorporating the principles of adaptive management and whose template could be adapted to other endangered species.
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 | 0,003 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».