Methods to mitigate human–wildlife conflicts involving common mesopredators: a meta‐analysis
Notice bibliographique
Résumé
Abstract Conflicts between humans and mesopredators are frequent and widespread. Over the last decades, conflicts have led to the development and application of different mitigation methods to diminish the costs and damage caused by such conflicts. We conducted a systematic literature search and meta‐analysis to assess the influence of different mitigation methods on 3 common nuisance species: raccoons ( Procyon lotor ), red foxes ( Vulpes vulpes ), and striped skunks ( Mephitis mephitis ). A majority of the studies, from 1963‒2022, were conducted in North America, followed by Australia and Europe. The predation of wildlife species of conservation concern by nuisance species is the main reported source of conflict in the published literature. Lethal control is the most commonly tested method and is generally effective at reducing conflicts based on the calculated effect size. Barriers have mixed effects, with electric fences and nest exclosures both being effective, whereas conventional fences seem to be less effective. Repellents mimicking predators (e.g., guard animal, predator smell) are also effective. Conditioned taste aversion is a promising approach, but no precise product or chemical has proven to be effective. Many interventions suffered from a lack of validation through experimental approach. Research on human–mesopredator conflict mitigation would benefit from repeated studies using the same methods in similar contexts, thus reducing heterogeneity in the results, and by testing new and innovative methods.
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 | 0,014 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,011 | 0,041 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».