Living in fear: How experience shapes caribou responses to predation risk
Notice bibliographique
Résumé
Abstract Wild prey can reduce predation risk by avoiding areas used by their predators. As they get older, individuals should be able to fine‐tune this avoidance based on their increased experience with predation risk. Such learning mechanisms are expected to play a key role in how individuals cope with risk during their life, particularly in altered landscapes where human disturbances have created habitat conditions distinct from those of the past. We studied the role of experience on the avoidance of risky areas by boreal caribou ( Rangifer tarandus caribou ) in a system where they are under high predation pressure from gray wolves ( Canis lupus ) and black bears ( Ursus americanus ). Using telemetry data collected on 28 caribou, 31 wolves, and 12 bears, we investigated whether caribou adjusted their level of predator avoidance with passing monitoring years, a proxy of increasing experience. We observed an increase in the avoidance of areas suitable to wolves (during two study periods) and bears (during all study periods) with passing years. Periods during which caribou did not adjust their behavior toward wolves (winter and calving) were characterized by persistent—potentially innate—avoidance. Our results suggest that, in most circumstances, caribou became more efficient at avoiding areas selected by their predators as they gained experience. Future work should attempt to demonstrate whether such tactics are heritable; if so, our results would suggest that, given time, caribou living in disturbed environments would have the potential to adapt to changing levels of risk. This would give hope for the conservation of caribou, a species at risk in Canada, provided levels of risk do not surpass the limits of their behavioral plasticity.
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) | 0,003 | 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 ».