The Debate About Bait: A Red Herring in Wildlife Research
Notice bibliographique
Résumé
ABSTRACT The use of bait (or attractants) to lure animals to a sampling site is common in wildlife research and important for optimizing species detection rates. The effect of bait on animal movement and space‐use, however, is contested, fueled by concerns bait may affect animal movement and increase residency time. If founded, bait may bias parameter estimates from density, species distribution, resource selection, or behavioral models, produce spurious ecological inferences, and skew resulting management recommendations. To test whether animal movement varies with proximity to bait, we used high‐resolution global positioning system telemetry data of 10 fishers (Pekania pennanti), temporally paired with 64 baited wildlife camera traps, to quantify the effect of bait on individual and population movement metrics. Although bait appeared to have a significant correlative effect on 1‐hour movement segments, landscape characteristics had an effect 1.7 times greater, where the proportion of mixed forest and cultivation explained the majority of variability in animal movements. We contend that maximizing probability of detection and controlling or modeling local‐scale landscape variability that could affect the probability of detection is a more important consideration in wildlife research than the effect of bait, which is eclipsed by differences incurred by natural habitat heterogeneity. Failing to maximize the probability of detection may obscure the modest bias potentially presented by the use of bait, or attractants, on ecological inference. © 2019 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 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 | 0,219 | 0,191 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,040 |
| Communication savante | 0,010 | 0,022 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,013 | 0,018 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».