Community perception of the real impacts of human–wildlife conflict in Laikipia, Kenya: capturing the relative significance of high-frequency, low-severity events
Notice bibliographique
Résumé
Abstract Biodiversity conservation outside protected areas requires cooperation from affected communities, hence the extensive discussions of trade-offs in conservation, and of a so-called new conservation that addresses human relations with nature more fully. Human–wildlife conflict is one aspect of those relations, and as land use intensifies around protected areas the need to understand and manage its effects will only increase. Research on human–wildlife conflict often focuses on individual species but given that protecting wildlife requires protecting habitat, assessments of human–wildlife conflict should include subsidiary impacts that are associated with ecosystem conditions. Using a case study from Laikipia, Kenya, where conservation outside protected areas is critical, we analysed human–wildlife conflict from a household perspective, exploring the full range of impacts experienced by community members on Makurian Group Ranch. We addressed questions about four themes: (1) the relationship between experienced and reported human–wildlife conflict; (2) the results of a high-resolution assessment of experienced human–wildlife conflict; (3) the relative impact of high-frequency, low-severity conflict vs high-severity, low-frequency conflict; and (4) the effect of experienced conflict on receptivity to the conservation narrative. Our results show that high-frequency, low-severity conflict, which is often absent from reports and discussion in the literature, is a significant factor in shaping a community's perception of the cost–benefit ratio of conservation. Local, ongoing, high-resolution monitoring of human–wildlife conflict may facilitate more realistic and effective incorporation of the experienced impacts of human–wildlife conflict in conservation planning and management. Such monitoring could help to define locally appropriate trade-offs in conservation and thereby improve conservation outcomes.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».