Hide‐and‐sniff: can anti‐trafficking dogs detect obfuscated wildlife parts?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Wildlife detection dog (WDD) programs are increasingly being developed to combat illegal wildlife trafficking. However, there is little scientific research available on how sniffer dogs perform when wildlife parts are hidden during the smuggling process, which hampers the effectiveness of WDD programs. Here, we investigate the ability of WDDs to detect wildlife parts that are hidden in legally traded goods. We employed a smell test using the two most smuggled wildlife parts worldwide: elephant ivory and pangolin scales, in combination with two obfuscation items of plant and animal origin commonly employed by smugglers. We then established the sensitivity of the dogs to the target substances. Our results showed that there was a large variation between the two dogs in their sensitivity to ivory and pangolin scales. However, both dogs were generally less sensitive to ivory compared to pangolin scales, and stronger‐smelling obfuscation items could potentially lower the sensitivity of the dogs to the wildlife parts. Our study highlights the potential of dogs to detect hidden wildlife parts, but their effectiveness may depend on other aspects such as training, personality, the health of the dog, the type of wildlife substance, and the obfuscation item used. Given the variability of our findings, WDD programs need to invest in research to optimize the number and type of dogs with the right balance of traits to successfully detect wildlife parts that could potentially be obfuscated during smuggling.
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.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 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 découle