Environmental and social factors influencing wolf (<i>Canis lupus</i>) howling behavior
Notice bibliographique
Résumé
Abstract Animals communicate in a variety of ways and calls are used for a number of important behaviors. Temperature, wind, time of day, and human activities can affect animals’ use of calls, particularly over long distances. Effects of group size on the use of calls can be particularly influential in territorial social carnivores. Where gray wolves ( Canis lupus ) are hunted by humans, for example, howling may make it easier for hunters to locate individuals and ultimately increase mortality. We hypothesized that a suite of factors would affect wolves’ responses to simulated howling. Specifically, we predicted that howling behavior would increase with (a) group size, (b) pup age, and (c) during crepuscular time periods and howling behavior would decrease (a) where wolves were harvested and (b) when it was hot or windy. Contrary to our prediction, larger groups did not respond as quickly to simulated wolf howls as smaller groups did and minimum and maximum daily temperatures were not good predictors of wolf howling response rates. Individuals in small litters of pups may have responded more quickly to howls than those in large litters because they are eager to seek safety from and have socialization with adults returning from foraging bouts. Although harvest did not appear to affect vocal communication by wolves, group size, pup age, time of day, wind, and number of howls emitted greatly affected wolves’ behavior and responses during howling surveys. Howling responses did not change because of harvest; response rates from wolves were nearly identical with (2.2%) and without (2.3%) harvest. The year‐round benefits of long‐distance vocal communication may outweigh the costs of increased mortality arising from howling during harvest season.
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 | 0,000 | 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 | 0,000 |
| 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 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 ».