The Collaborative to Combat the Illegal Trade in Turtles: Addressing Illegal Wildlife Trade with an Adaptive Socio-Ecological Approach
Notice bibliographique
Résumé
Illegal wildlife trade is a complex and lucrative transnational crime that involves social, ecological, cultural, political, and economic factors. It is also a significant conservation challenge that can threaten species, ecosystems, and societies. Although illegal wildlife trade negatively impacts various species, many North American turtle populations are exceptionally vulnerable to the removal of wild individuals due to their life history traits. Some of the key challenges to addressing illegal trade in turtles include shortcomings in laws, regulations, and the criminal justice system; insufficient data to understand the issue; and insufficient resources to combat the issue. Herein, we provide a brief characterization of the illegal turtle trade in North America and describe how a grassroots working group, the Collaborative to Combat the Illegal Trade in Turtles (CCITT), formed in response to this urgent conservation crisis. Our collaborative and adaptive socio-ecological approach includes examples and serves as a case study on how wildlife trafficking can be addressed through identifying the need and scope of the problem, building and expanding a network of core partnerships, defining a strategy, and implementing that strategy in an adaptive and iterative way. Looking ahead, we recognize that the CCITT has gaps in representation and, therefore, a need to expand partnerships as well as work towards the full implementation of our strategic plan. While there will never be a “one-size-fits-all” approach to combating illegal wildlife trade, we maintain that sharing approaches, successes, lessons learned, and outcomes with others outside of the immediate area of focus is critical to advance conservation outcomes.
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 | 0,001 | 0,001 |
| 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 ».