Stakeholder perspectives on the development and implementation of approaches to municipal rat management
Notice bibliographique
Résumé
Abstract Rats evoke public health and economic concern in cities globally. Rapid urbanization exacerbates pre-existing rat problems, requiring the development and adoption of more effective methods of prevention, monitoring and mitigation. While previous studies have indicated that city-wide municipal management approaches often fail, such outcomes are often left without specific explanation. To determine how municipalities could more effectively develop and implement large-scale approaches, we interviewed stakeholders in municipal rat management programs to document their opinions, recommendations and the challenges they face. Using a thematic framework method, this study collates and analyzes in-depth interviews with 39 stakeholders from seven cities across the United States. Overall, stakeholders’ recommendations for municipal rat management aligned with many conceptual attributes of effective management reported in the literature. Specifically, stakeholders highlighted the need to prioritize the reduction of resources available to sustain rat infestations (e.g. food, water and harborage), to focus on proactive (vs. reactive) measures, and to implement large-scale data collection to increase the efficiency of cross-city rat control. Stakeholders also suggested novel approaches to management, such as mitigating rat-associated risks for vulnerable populations specifically and developing tailored initiatives based on the specific needs and desires of residents. We synthesize these recommendations in light of reported barriers, such as resource limitations, and consider several opportunities that may help municipalities reconceptualize their approaches to city-wide rat management.
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) | 0,001 | 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 ».