Mismeasured mortality: correcting estimates of wolf poaching in the United States
Notice bibliographique
Résumé
Measuring rates and causes of mortalities is important in animal ecology and management. Observing the fates of known individuals is a common method of estimating life history variables, including mortality patterns. It has long been assumed that data lost when known animals disappear were unbiased. We test and reject this assumption under conditions common to most, if not all, studies using marked animals. We illustrate the bias for 4 endangered wolf populations in the United States by reanalyzing data and assumptions about the known and unknown fates of marked wolves to calculate the degree to which risks of different causes of death were mismeasured. We find that, when using traditional methods, the relative risk of mortality from legal killing measured as a proportion of all known fates was overestimated by 0.05-0.16 and the relative risk of poaching was underestimated by 0.17-0.44. We show that published government estimates are affected by these biases and, importantly, are underestimating the risk of poaching. The underestimates have obscured the magnitude of poaching as the major threat to endangered wolf populations. We offer methods to correct estimates of mortality risk for marked animals of any taxon and describe the conditions under which traditional methods produce more or less bias. We also show how correcting past and future estimates of mortality parameters can address uncertainty about wildlife populations and increase the predictability and sustainability of wildlife management interventions.
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 | 0,002 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».