Population reduction by hunting helps control human–wildlife conflicts for a species that is a conservation success story
Notice bibliographique
Résumé
Among the world's large Carnivores, American black bears (Ursus americanus) are the foremost conservation success story. Populations have been expanding across North America because the species is adaptable and tolerant of living near people, and because management agencies in the U.S. and Canada controlled hunting and other human-sources of mortality. As a result, human-black bear conflicts (damage to property, general nuisance, threat to human safety) have dramatically increased in some areas, making it urgently important to develop and deploy a variety of mitigation tools. Previous studies claimed that legal hunting did not directly reduce conflicts, but they did not evaluate whether hunting controlled conflicts via management of population size. Here, we compared temporal patterns of phoned-in complaints about black bears (total ~63,500) in Minnesota, USA, over 4 decades to corresponding bear population estimates: both doubled during the first decade. We also quantified natural bear foods, and found that large year-to-year fluctuations affected numbers of complaints; however, since this variation is due largely to weather, this factor cannot be managed. Complaints fell sharply when the management agency (1) shifted more responsibility for preventing and mitigating conflicts to the public; and (2) increased hunting pressure to reduce the bear population. This population reduction was more extreme than intended, however, and after hunting pressure was curtailed, population regrowth was slower than anticipated; consequently both population size and complaints remained at relatively low levels statewide for 2 decades (although with local hotspots). These long-term data indicated that conflicts can be kept in tolerable bounds by managing population size through hunting; but due to the bluntness of this instrument and deficiencies and uncertainties in monitoring and manipulating populations, it is wiser to maintain a population at a level where conflicts are socially-acceptable than try to reduce it once it is well beyond that point.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».