Training and usage of detection dogs to better understand bumble bee nesting habitat: Challenges and opportunities
Notice bibliographique
Résumé
Bumble bees are among the most imperiled pollinators. However, habitat use, especially nest site selection, remains relatively unknown. Methods to locate nests are invaluable to better understand habitat requirements and monitor wild populations. Building on prior study findings, we report constraints and possibilities observed while training detection dogs to locate bumble bee nests. Three conservation detection dogs were initially trained to three species of bumble bee nest material, first within glass jars concealed in a row of cinder blocks, then placed in the open or partially hidden for area searches. The next intended training step was to expose the dogs to natural nests located by community science volunteers. However, significant effort (> 250 hrs), yielded only two confirmed, natural nests suitable for dog training purposes. Although the dogs did not progress past the formative training stage valuable insight was gained. Maximum observed detection distance for bumble bee nest material during initial controlled training was 15 m, which decreased significantly (< 1 m) once training progressed to buried samples and natural nests. Three main considerations around future training and usage of detection dogs were identified. First, dogs might benefit from transitional training via exposures to known natural nests, regardless of species. However, it may be too difficult for people to find natural nests for this, and prior work demonstrated the ability of dogs to generalize and find natural nests after testing to artificially-buried nest material. Second, confirming a dog's nest find, via resident bee presence, is nuanced. Third, future study design and objectives must harness strengths, and reflect limitations of detection dog surveys and search strategies, as extensively discussed in this paper. Prospective studies involving detection dogs for locating bumble bee nests would benefit from considering the drawbacks and opportunities discussed and can mitigate limitations through incorporating these considerations in their study design.
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 | 0,003 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».