MétaCan
Menu
Retour à la cohorte
Enregistrement W2479798481 · doi:10.1093/med/9780199296613.003.0016

Chapter 16 Risks from animals

2008· book-chapter· en· W2479798481 sur OpenAlexaboutno aff
David A. Warrell

Notice bibliographique

RevueOxford University Press eBooks · 2008
Typebook-chapter
Langueen
DomaineVeterinary
ThématiqueAnimal testing and alternatives
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBusiness

Résumé

récupéré en direct d'OpenAlex

David Warrell Animals, especially large ones, wild and domesticated, should always be treated with respect and not approached unnecessarily. Tigers, lions, leopards and other big cats, hyenas, domestic dogs, jackals, wolves, bears, elephants, rhinos, hippopotamuses, buffaloes, bison, domestic cattle, moose, elk, other large deer and antelopes, domestic and wild pigs, rams, tapirs, chimpanzees, baboons, ostriches, cassowaries, and even ferrets have killed people. Learn about the local hazards by asking the residents. Be vigilant at all times. Beware of wandering alone and unprotected between dusk and dawn when most attacks by large mammals occur. Travel in groups, do not stray from vehicles, and do not take dogs with you; they attract large predators. A look-out armed with a large caliber rifle (preferably >0.35 mm) is essential if you are working in the open in country inhabited by big game animals. All bears, even giant pandas, are potentially dangerous carnivores. Mothers with cubs are responsible for 80% of attacks on people. In North America, where backpackers and campers in national parks are victims of daytime/ evening attacks, black bears (Ursus americanus) were responsible for about 5.8 attacks and 0.3 deaths/year, while brown bears (U. arctos), including grizzlies and Kodiak bears, were responsible for about 1.65 attacks and 0.6 deaths/year in the 1990s. Brown bears also kill and injure people in Romania, Scandinavia, and other parts of Europe. Polar bears (U. maritimus) are the most predatory, aggressive, and dangerous of all, killing six people in Canada (1965–85), and attacking 50 people in Svalbard (Spitzbergen, Norway) (1973–86) ( p. 592–3). Asian sloth bears (Melursus ursinus) killed 48 people and injured 687 in Madya Pradesh, India (1989–94).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,161
Score d'incertitude au seuil0,538

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,001
Communication savante0,0040,003
Science ouverte0,0010,004
Intégrité de la recherche0,0040,004
Charge utile insuffisante (le modèle a refusé de juger)0,1610,078

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.

Tête enseignante Opus0,250
Tête enseignante GPT0,321
Écart entre enseignants0,072 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2008
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOxford University Press eBooksMême sujetAnimal testing and alternativesTravaux en français237 207