Preferences of select attractants in the coating of onrab vaccine baits by rabies reservoir species
Notice bibliographique
Résumé
Rabies control managers and researchers in the United States are assessing how the Canadian vaccine ONRAB® may perform if integrated into the United States oral rabies vaccination (ORV) program. A measurement of success of any ORV program is bait uptake by target species. The attractant used in the bait matrix surrounding a vaccine influences bait uptake and vaccination rate. Our objective is to determine which flavor of attractant in the ONRAB® coating is the most preferred by rabies reservoir species in the field. In Texas (TX) we are evaluating four attractants (sweet, fish, egg, and cheese) in areas inhabited by raccoons ( Procyon lotor ), skunks ( Mepthis mephitis ), foxes ( Urocyon cinereoargenteus ), and coyotes ( Canis latrans ). In Puerto Rico (PR), we are comparing the preference of mongoose ( Herpestes auropuctatus ) for cheese, coconut, and fish attractants. We monitored bait stations with animal-activated cameras and regular checks of bait status (untouched, disturbed, and removed). In TX, we offered 540 baits of which 102 were removed, with cheese and fish most often removed (both 25%) followed by egg (21%) and then sweet (15%) and unflavored controls (14%). Image scoring from camera data is underway. In PR, mongoose removed baits on 38 of 343 occasions. Though all data are not yet fully analyzed, it appears mongoose prefer cheese, followed closely by fish. Findings in both TX and PR are suggesting that sweet flavors are least attractive to rabies reservoir species. To confidently state which attractants will likely perform the best, we need to complete the analyses of these data and do more extensive trials, especially in raccoon habitat in the eastern United States.
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 | 0,009 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».