Navigating human-sloth bear encounters and attacks in Nepal’s unprotected forests
Notice bibliographique
Résumé
Abstract Human-sloth bear conflict, generally in the form of human attacks, is common throughout most areas where sloth bears co-occur with humans. The situation is more prevalent in multi-use forest landscapes outside protected areas. Although sloth bears are a conflict-prone species in Nepal, there is a clear lack of systematic studies that can inform human safety and conflict mitigation. We used data from questionnaire-based interviews with conflict-affected people and witnesses to provide detailed information about human-sloth bear conflict (1990– 2021) in the Trijuga forest, an important sloth bear stronghold outside protected areas in Nepal. The data were analyzed using descriptive statistics, chi-square tests, and regression analysis. For the time period, 66 conflict incidents involving 69 human individuals were recorded, with an annual average of 2.06 (SD = 1.48) incidents and 1.75 (SD = 1.34) attacks. Conflicts primarily impacted working-age group (25–55 years old) men, whose primary occupation was farming and who frequented the forest regularly. They typically occurred between 0900 and 1500, inside forests, and in habitats associated with poor land cover visibility. Poor visibility was also a significant positive determinant of bear attacks on humans. Fifty-six conflict incidents resulted in attacks that injured 59 people, with a fatality rate of 8.47%. Victims of bear attacks frequently had serious injuries, especially to the head and neck areas of the body. Serious injuries were more likely to occur to lone individuals than to people who were in groups of two or more. We suggest identification of conflict-risk habitats through a participatory mapping approach and education programs for the local people for effective human-sloth bear conflict management in Nepal’s unprotected forests.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».