Exploring multiple dimensions of conservation success: Long‐term wildlife trends, anti‐poaching efforts and revenue sharing in Kibale National Park, Uganda
Notice bibliographique
Résumé
Abstract Parks are essential for protecting biodiversity and finding ways to improve park effectiveness is an important topic. We contributed to this debate by examining spatial and temporal changes in illegal activities in Kibale National Park, Uganda between 2006 and 2016 and used existing data to evaluate how the changes were correlated with the living conditions of people in neighboring communities, as well as patrolling effort. We explore the effectiveness of conservation strategies implemented in Kibale, by quantifying changes in the abundance of nine animal species over two to five decades. While uncertainty in such animal survey data are inherently large and it is hard to generalize across a 795‐km2 area that encompasses diverse habitat types, data suggest an increase in animal abundance in the National Park. An increase in patrolling effort by park guards over the decade was correlated with a decline in the number of traps and snares found, which suggests patrolling helped limit resource extraction from the park. The park’s edge was extensively used for illegal forest product extraction, while the setting of snares occurred more often deeper in the forest. Perhaps counter‐intuitively, increased community wealth or park‐related employment in a village next to the park were positively correlated with increased illegal forest product extraction. Overall, our results suggest that the portfolio of conservation strategies used over the last two to five decades were effective for protecting the park and its animals, although understanding the impact of these efforts on local human populations and how to mitigate any losses and suffering they sustain remains an important area of research and action. It is evident that complex social, political and economic drivers impact conservation success and more interdisciplinary studies are required to quantify and qualify these dimensions.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».