MétaCan
Menu
Retour à la cohorte
Enregistrement W7106339860 · doi:10.5061/dryad.83bk3jb67

Data from: Pest or pest control? Coyote interactions with cattle and Richardson’s ground squirrels

2025· dataset· en· W7106339860 sur OpenAlexaffabout

Notice bibliographique

RevueOpen MIND · 2025
Typedataset
Langueen
Domaine
Thématique
Établissements canadiensUniversity of WinnipegUniversity of Guelph
Organismes subventionnairesnon disponible
Mots-clésPredationHerdCattle grazingPEST analysisBeef cattleLivestockCattle DiseasesBovidae

Résumé

récupéré en direct d'OpenAlex

Coyotes (Canis latrans Say, 1823) are ubiquitous across Canadian grasslands and have been implicated as causing millions of dollars of damage each year by injuring or killing cattle (Bos taurus Linnaeus, 1758). Gaining insight into the behaviour of coyotes in proximity to cattle may mitigate these costs. We hypothesized that coyotes obtain direct (e.g., killing calves or scavenging cattle) and indirect (e.g., hunting native prey) benefits from cattle pastures. We further hypothesized that cows respond defensively to coyotes. We conducted 58 focal observations of coyotes from May to August in southwest Saskatchewan and recorded activity, prey species, distance from cattle, and the response of cattle to coyotes. Coyotes hunted native prey more often than they interacted with cattle. Coyotes were often within 100 m of cattle when hunting Richardson’s ground squirrels (Urocitellus richardsonii (Sabine, 1822)), their most common prey. Coyotes scavenged from cattle carcasses (N=5), occasionally approached calves (N=2), rushed herds (N=2), or consumed afterbirth (N=1). Cows and/or calves chased coyotes in 43% of observations having encounters within 10 m. Our data suggest coyotes primarily use cattle pastures to obtain native prey, although periodic opportunities to scavenge cattle or kill calves may contribute to their use of these areas.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Jeu de données · Signal consensuel: aucune
Score de désaccord entre enseignants0,223
Score d'incertitude au seuil0,443

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0130,003

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.

Tête enseignante Opus0,083
Tête enseignante GPT0,374
Écart entre enseignants0,290 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreJeu de données

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueOpen MINDTravaux en français237 207