An assessment of the efficacy of camera traps for studying demographic composition and variation in chimpanzees (<i>Pan troglodytes</i>)
Notice bibliographique
Résumé
Demographic factors can strongly influence patterns of behavioral variation in animal societies. Traditionally, these factors are measured using longitudinal observation of habituated social groups, particularly in social animals like primates. Alternatively, noninvasive biomonitoring methods such as camera trapping can allow researchers to assess species occupancy, estimate population abundance, and study rare behaviors. However, measures of fine-scale demographic variation, such as those related to age and sex structure or subgrouping patterns, pose a greater challenge. Here, we compare demographic data collected from a community of habituated chimpanzees (Pan troglodytes verus) in the Taï Forest using two methods: camera trap videos and observational data from long-term records. By matching data on party size, seasonal variation in party size, measures of demographic composition, and changes over the study period from both sources, we compared the accuracy of camera trap records and long-term data to assess whether camera trap data could be used to assess such variables in populations of unhabituated chimpanzees. When compared to observational data, camera trap data tended to underestimate measures of party size, but revealed similar patterns of seasonal variation as well as similar community demographic composition (age/sex proportions) and dynamics (particularly emigration and deaths) during the study period. Our findings highlight the potential and limitations of camera trap surveys for estimating fine-scale demographic composition and variation in primates. Continuing development of field and statistical methods will further improve the usability of camera traps for demographic studies.
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) | 0,001 | 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) | 0,000 | 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 ».