Impacts of shared home range on human-wildlife conflicts
Notice bibliographique
Résumé
Human-wildlife conflicts (HWCs) are becoming increasingly common in landscapes altered by human activity, often threatening both livelihoods and wildlife conservation. We investigated HWCs in two communities: Bbaale village near Nabugabo Research Site in Uganda (73 households surveyed in 2019) and Manyangalo village near the Lewa-Borana Conservancy in Kenya (50 households surveyed in 2022) using descriptive statistics. We assessed how socioeconomic factors influenced household responses to HWCs using ordinal logistic regression models and explored community perceptions of living near a research site or conservancy. Our results showed that HWCs at Bbaale were reported as more severe (62%), often involving crop damage and livestock losses, while encounters near Manyangalo occurred more frequently (86%) but caused less damage. Households in Bbaale used a range of management strategies, including banging tins (86%), using dogs (60%) and scarecrows (59%), whereas Manyangalo residents primarily relied on noisemaking (100%). Larger cultivable areas were associated with more reported conflicts, and individuals with secondary education reported less severe impacts. Despite differences in HWC experiences, most respondents (Bbaale: 88%, Manyangalo: 86%) in both villages expressed positive views of the research site or conservancy, suggesting local support for conservation initiatives. These findings emphasize the importance of tailoring HWC management strategies to local conditions and community needs.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».