Stakeholder preferences for pangolin conservation interventions in south‐east Nigeria
Notice bibliographique
Résumé
Abstract The overexploitation of biological resources severely threatens many species, requiring urgent and effective conservation interventions. Such interventions sometimes require governance structures that incorporate pluralist perspectives and collaborative decision‐making, especially in complex, multi‐faceted and multi‐scale issues like the illegal trade in pangolins. We used Q‐methodology to provide evidence to inform interventions for pangolin conservation in south‐east Nigeria. We sampled stakeholder groups associated with pangolin use and protection, including hunters, wild meat traders and Nigeria Customs Service employees, to elicit their opinion and knowledge on the use and perceptions of pangolins and their preferences for interventions to reduce pangolin decline. We found that the local consumption of pangolin meat as food is the primary driver of poaching in the region. This contradicts popular opinions that pangolins are specifically targeted for international trade, revealing an opportunity for site‐level behaviour change interventions. The different stakeholder groups identified awareness‐raising campaigns, law enforcement, community stewardship programs and ecotourism as preferred interventions, whose effectiveness we attempted to assess using reported case studies. We observed different perspectives between people associated with pangolin poaching and use (predominantly those living around pangolin habitats, including hunters and wild meat traders) and those working to protect them (such as conservation organisations and Nigeria Customs Service employees). For example, the first group supported community stewardship programs, while the latter preferred awareness‐raising and law enforcement efforts. This divergence in perspectives underpins the need for a combination of targeted interventions at the site level to engage different stakeholders while highlighting the potential challenges to collaborative decision‐making for species threatened by illegal wildlife trade. Policy implications . Our results stress the importance of targeted and context‐specific conservation interventions. Read the free Plain Language Summary for this article on the Journal blog.
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) | 0,000 | 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 ».