Leçons tirées de l’étude des passages fauniques enjambant une autoroute dans le parc national de Banff
Bibliographic record
Abstract
Un programme de suivi à long terme permet d’évaluer l’efficacité des mesures d’atténuation installées sur l’autoroute Transcanadienne qui traverse le parc national de Banff, en Alberta, Canada. Depuis 1996, les passages fauniques conçus pour la grande faune ont été traversés plus de 218 000 fois. Les cerfs ont effectué 62 % des traversées contre 19 % pour les wapitis et < 8 % pour les grands carnivores. À disponibilité égale, les ours grizzlis, les orignaux, les cerfs et les wapitis ont semblé préférer les passages supérieurs (par-dessus la route) aux passages inférieurs, alors que les cougars et les coyotes ont utilisé les 2 types de structure également. Nous avons estimé que le temps d’adaptation aux passages fauniques variait entre 3 ans (cougar, ours noir) et 9 ans (ours grizzli, loup gris). En moyenne, pour les 8 espèces étudiées, la période d’adaptation initiale était de 4,4 ans, alors que la période d’adaptation complète était de 5,9 ans. Au cours des 15 dernières années, nous avons contribué à la recherche environnementale ainsi qu’à la gestion et la planification des transports, afin de concevoir des routes mieux adaptées aux populations animales.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".