Please come again: attractive bait augments recapture rates of capture-naïve snowshoe hares
Notice bibliographique
Résumé
Abstract Context Capture–recapture sampling is one of the most commonly used methods for monitoring population demographics and is needed in a wide variety of studies where repeat sampling of individuals is desired. Although studies employing capture–recapture methods often assume unbiased sampling, it is well established that inherent capture biases can occur with these methods, including those related to baits. Reducing sources of sampling bias and augmenting recapture reliability is necessary for capture-dependent studies. However, few studies have examined the efficacy of baits on individuals with variable capture experience. Aims To investigate the use of an attractant-augmented bait in enhancing capture–recapture probabilities for snowshoe hares (Lepus americanus). Methods To examine the efficacy of different attractant-augmented bait types, a variety of baits were created, with bait preference tested on a captive hare. Because a strawberry jam-based bait was preferentially consumed (in comparison with other tested baits), the effectiveness of this attractant in enhancing capture–recapture rates was subsequently examined in wild hares, using paired live-trapping field trials (n = 6 trials). Results Live-trapping trials showed that although overall hare capture rates were not affected by the use of a jam-based bait, recaptures were 33.1% higher in capture-naïve individuals exposed to our attractant. This was not the case for hares with prior capture experience; such hares had an equal likelihood of being recaptured regardless of the bait type used. Conclusions The tested attractant improved recapture rates of capture-naïve hares. Implications Studies relying on high recapture rates should use methods that maximise recapture rates wherever possible, including the use of baits that may augment recaptures in capture-naïve animals.
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 | 0,001 | 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) | 0,002 | 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 ».