What is the evidence that counter-wildlife crime interventions are effective for conserving African, Asian, and Latin American wildlife directly threatened by exploitation? A Systematic Map
Notice bibliographique
Résumé
1. Counter-wildlife crime interventions ̶ those that directly protect target wildlife from illegal harvest/persecution, detect and sanction rule-breakers, and interdict and control illegal wildlife commodities ̶ are widely applied to address biodiversity loss. This systematic map provides an overview of the literature on the effectiveness of counter-wildlife crime interventions for conserving African, Asian, and Latin American wildlife directly threatened by exploitation, including human-wildlife conflicts that trigger poaching.2. Following our systematic map protocol (Rytwinski et al., 2021a), we compiled peer-reviewed and grey literature and screened articles using predefined inclusion criteria. Included studies were coded for key variables of interest, from which we produced a searchable database, interactive map, and structured heatmaps. 3. A total of 530 studies from 477 articles were included in the systematic map. Most studies were from Africa and Asia (81% of studies) and focused on African and Asian elephants (16%), felids (14%), and turtles and tortoises (11%). Most evaluations of counter-wildlife crime interventions targeted wildlife products (rather than species) and the transfer of those products along the wildlife-crime continuum (40% of cases). Population/species outcomes were most commonly measured via indicators of threat reduction (65% of cases) and intermediate outcomes (25%). 4. We identified knowledge clusters where studies investigated the links between (1) patrols and other preventative actions to increase detection and population abundance, and (2) information analysis and sharing and wildlife crime/trade levels. However, the effectiveness of most interventions was not rigorously evaluated. Most investigations used post-implementation monitoring only (e.g. lacking a comparator), and no experimental designs were found. We identified several key knowledge gaps including a paucity of studies by geography (Latin America), taxonomy (plants, birds, and reptiles), interventions (non-patrol-based counter-wildlife crime interventions), and outcomes (biological, and the combination of biological and human well-being outcomes). 5. Our map reveals an opportunity to improve the rigor and documentation of counter-wildlife crime intervention evaluations, which would enable the evidence-based selection of effective approaches to improve wildlife conservation and national security.
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 | 0,021 | 0,116 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,009 | 0,008 |
| Bibliométrie | 0,056 | 0,042 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,007 | 0,010 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 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 ».