When Ecological Analysis Reveals Hidden Human Dimensions: Building on Long-Term Community Participation to Enable a Conservation Translocation of Mountain Bongo in Kenya
Notice bibliographique
Résumé
Conservation translocations have traditionally focused on ecological aspects while overlooking or underestimating the importance of human dimensions. Here, we present a feasibility analysis for a conservation translocation that up front took a holistic approach by investigating both ecological and socio-economic suitability of reinforcing mountain bongo in Eburu National Forest, Kenya. From 2018 to 2019, we set up 50 cameras to detect mountain bongo and searched for secondary signs in a grid overlaying Eburu. We also conducted surveys with 200 households surrounding the forest and interviewed 300 students to understand local perceptions of and interactions with Eburu Forest and their desire for a mountain bongo translocation. We used data from camera trapping and secondary signs in a MaxEnt model to determine the amount and location of available habitat for a bongo conservation translocation. Camera traps recorded only five bongo events in the 2-year study, and MaxEnt models revealed that these antelopes were relegated to less than 2.5 km of available habitat. Socio-economic surveys indicated local support for the conservation of bongo and their habitat, and yet our camera traps uncovered threatening illicit activities that could jeopardize both bongo survival and any attempt at boosting the remnant population with captive-bred individuals. We report how we built on long-term community and stakeholder engagement to mitigate these threats and provide concrete recommendations for how to proceed with a conservation translocation in terms of both the biological aspects and continued efforts to integrate socio-economic needs and community engagement.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».