Notice bibliographique
Résumé
ABSTRACT We present an analysis of human–bear ( Ursus spp.) conflicts that occurred in Alaska, USA, from 1880 to 2015. We collected 682 human–bear conflicts, consisting of 61,226 data entries, from various sources available to us. We found that human–bear attacks are rare events, averaging 2.6/year across the study period, though increasing to 7.6/year in the current decade. Grizzly bears ( U. arctos ) dominated conflicts (88%), followed by black bears ( U. americanus; 11%), and lastly polar bears ( U. maritimus ; 1%). Although grizzly bear family groups are often involved in conflicts (32% of all attacks), single grizzlies are involved more than any other cohort (45%). Human–bear conflicts occurred during every month of the year and the majority occurred during daytime when people were most active (82%). Human group size was a significant factor in bear conflicts: the larger the group (≥2 persons), the less likely to be involved in a confrontation. Habitat visibility also contributed to conflict, the poorer the visibility the more likely bears were to engage with people, presumably because of an inability to detect them until very close. When domestic dogs intervened in attacks, they terminated them nearly half of the time (47.5%). However, in 12.5% of cases, dogs appeared to have initiated the conflict. When involved, rescuers terminated maulings in 90.3% of cases, but were themselves mauled 9.7% of the time. We offer these, and other, insights derived from this work that will inform wildlife biologists’ bear safety training and public outreach. © 2018 The Wildlife Society.
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 | 0,001 | 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 | 0,000 | 0,001 |
| 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) | 0,011 | 0,009 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».