Cervids response to hunting : multi-scale space use strategies andconsequences for the vegetation
Bibliographic record
Abstract
La chasse – comme la prédation naturelle - induit des réponses comportementales par les individus chassés qui cherchent ainsi à éviter ou à reduire le risque. Il est en particulier fréquent d'observer un changement dans leur utilisation de l'espace, mais l'articulation et les déterminants des réponses aux différentes échelles spatiales restent mal compris. De même, s'il a été suggéré que ces modifications comportementales pouvaient affecter en cascade la végétation, cela reste à tester. Pour combler ces lacunes, j'ai, (1) étudié, dans un paysage agricole du sud de la France, une population chassée de chevreuils et leur utilisation des milieux ouverts risqués et des couverts boisés, au cours de périodes de risque contrasté ; (2) testé, sur une population canadienne de cerfs à queue noire dépourvue de prédateurs et exempte de chasse, l'influence d'une chasse expérimentale sur le comportement des animaux et sur la végétation. J'ai montré que les chevreuils répondaient à une augmentation du risque à plusieurs échelles spatiales. Ils réduisaient leur utilisation des habitats risqués, et dans certains cas se rapprochaient des couverts, de jour ces deux réponses étant couplées au niveau individuel. Le gradient paysager d'ouverture du milieu contraignait cependant les niveaux de réponses observées et les stratégies individuelles. Au Canada, j'ai observé un évitement de la zone chassée par les cerfs les plus sensibles à la présence humaine, corrélé à une diminution de l'abroutissement pour deux des quatre espèces de plantes étudiées. J'ai intégré ces résultats dans une discussion sur l'utilisation de la chasse pour gérer les populations d'herbivores et leurs impacts sur la végétation.
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 | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| 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".