An examination of trends in the growing scientific literature on approaching wildlife with drones
Notice bibliographique
Résumé
Drones or unoccupied aerial vehicles are rapidly being used for a spectrum of applications, including replacing traditional occupied aircraft as a means of approaching wildlife from the air. Though less intrusive to wildlife than occupied aircraft, drones can still cause varying levels of disturbance. Policies and protocols to guide lowest-impact drone flights are most likely to succeed if considerations are derived from knowledge from scientific literature. This study examines trends in the scientific literature on using drones to approach wildlife between 2000 and 2020, specifically in relation to the publication types, scientific journals that works are published in, purposes of drone flights reported, taxa studied, and locations of studies. From 223 publications, we observed a large increase in relevant scientific literature, the majority of which were peer-reviewed articles published across 86 scientific journals. The largest proportion of peer-reviewed research articles related to aquatic mammals or aquatic birds and the use or trial of drone flights for conducting population surveys, animal detection, or investigations of animal responses to drone flights. The largest proportion of articles were studies conducted in North America and Australia. Since animal responses to drone flights vary among taxa, populations, and geographic locations, we encourage further growth in the volume of relevant scientific literature needed to inform policies and protocols for specific taxa and (or) locations, particularly where knowledge gaps exist.
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 | 0,037 | 0,160 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,048 | 0,060 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,007 | 0,009 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».