Exploring the potential for online data sources to enhance species threat mapping through the case study of global bat exploitation.

Expanding digital data sources, including social media and online news, provide a low-cost way to examine human-nature interactions, such as wildlife exploitation. However, the extent to which using such data sources can expand or bias understanding of the distribution and intensity of threats has not been comprehensively assessed. To address this gap, we quantified the geographical and temporal distribution of online sources documenting the hunting and trapping, consumption, or trade of bats (Chiroptera) and compared these with the distribution of studies obtained from a systematic literature search and species listed as threatened by exploitation on the International Union for Conservation of Nature Red List. Online records were collected using automated searches of Facebook, Twitter, Google, and Bing and were filtered using machine classification. This yielded 953 relevant social media posts and web pages, encompassing 1099 unique records of bat exploitation from 84 countries. Although the number of records per country was significantly predicted by the number of academic studies per country, online records provided additional locations and more recent records of bat exploitation, including 22 countries not present in academic literature. This demonstrates the value of online resources in providing more complete geographical representation. However, confounding variables can bias the analysis of spatiotemporal trends. Online bat exploitation records showed peaks in 2020 and 2014, after accounting for increases in internet users through time. The second of these peaks could be attributed to the COVID-19 outbreak, and speculation about the role of bats in its epidemiology, rather than to true changes in exploitation. Overall, our results showed that data from online sources provide additional knowledge on the global extent of wildlife exploitation, which could be used to identify early warnings of emerging threats and pinpoint locations for further research.

Sondeo del potencial de las fuentes virtuales de datos para mejorar el mapeo de amenazas para las especies por medio del estudio de caso de la explotación mundial de murciélagos Resumen La expansión de las fuentes virtuales, incluidas las redes sociales y las noticias en línea, proporciona una forma asequible de analizar las interacciones entre el humano y la naturaleza, como la explotación de fauna. Sin embargo, no se ha analizado por completo el rango al que dichas fuentes pueden expandir o sesgar el conocimiento de la distribución e intensidad de las amenazas. Para abordar este vacío cuantificamos la distribución geográfica y temporal de las fuentes virtuales que documentan la caza, captura, consumo o mercado de murciélagos (Chiroptera) y las comparamos con la distribución de los estudios obtenidos de una búsqueda sistemática en la literatura y con las especies catalogadas como amenazadas por la explotación según la Lista Roja de la Unión Internacional para la Conservación de la Naturaleza. Recolectamos los registros virtuales por medio de búsquedas automatizadas en Facebook, Twitter, Google y Bing y después las filtramos con clasificaciones automatizadas. Esto arrojó 953 publicaciones relevantes en redes sociales y sitios web que englobaban 1099 registros únicos de la explotación de murciélagos en 84 países. Aunque pronosticamos de forma significativa el número de registros por país con el número de estudios académicos por país, los registros virtuales proporcionaron localidades adicionales y registros más recientes de la explotación de murciélagos, incluyendo a 22 países que no se encuentran en la literatura académica. Lo anterior demuestra el valor que tienen los recursos en línea para proporcionar una representación geográfica más completa. Sin embargo, las variables confusas pueden sesgar el análisis de las tendencias espaciotemporales. Los registros virtuales de la explotación de murciélagos mostraron picos en 2020 y en 2014, esto después de considerar el incremento de usuarios de internet con el tiempo. El segundo pico podría atribuirse al brote de COVID­19 y la especulación en torno al papel que tenían los murciélagos en su epidemiología y no tanto a un verdadero cambio en la explotación. En general, nuestros resultados mostraron que los datos de las fuentes virtuales proporcionan conocimiento adicional sobre el alcance mundial de la explotación de fauna, el cual podría usarse para identificar señales tempranas de amenazas emergentes y ubicar localidades para su mayor investigación.

Chronic liver disease-associated severe thrombocytopenia in Spain: Results from a retrospective study using machine learning and natural language processing.

BACKGROUND: Patients with chronic liver disease (CLD) often develop thrombocytopenia (TCP) as a complication. Severe TCP (platelet count<50×109/L) can increase morbidity and complicate CLD management, increasing bleeding risk during invasive procedures. OBJECTIVES: To describe the real-world scenario of CLD-associated severe TCP patients' clinical characteristics. To evaluate the association between invasive procedures, prophylactic treatments, and bleeding events in this group of patients. To describe their need of medical resource use in Spain. METHODS: This is a retrospective, multicenter study including patients who had confirmed diagnosis of CLD and severe TCP in four hospitals within the Spanish National Healthcare Network from January 2014 to December 2018. We analyzed the free-text information from Electronic Health Records (EHRs) of patients using Natural Language Processing (NLP), machine learning techniques, and SNOMED-CT terminology. Demographics, comorbidities, analytical parameters and characteristics of CLD were extracted at baseline and need for invasive procedures, prophylactic treatments, bleeding events and medical resources used in the follow up period. Frequency tables were generated for categorical variables, whereas continuous variables were described in summary tables as mean (SD) and median (Q1-Q3). RESULTS: Out of 1,765,675 patients, 1787 had CLD and severe TCP; 65.2% were male with a mean age of 54.7 years old. Cirrhosis was detected in 46% (n=820) of patients and 9.1% (n=163) had hepatocellular carcinoma. Invasive procedures were needed in 85.6% of patients during the follow up period. Patients undergoing procedures compared to those patients without invasive procedures presented higher rates of bleeding events (33% vs 8%, p<0.0001) and higher number of bleedings. While prophylactic platelet transfusions were given to 25.6% of patients undergoing procedures, TPO receptor agonist use was only detected in 3.1% of them. Most patients (60.9%) required at least one hospital admission during the follow up and 14.4% of admissions were due to bleeding events with a hospital length of stay of 6 (3, 9) days. CONCLUSIONS: NLP and machine learning are useful tools to describe real-world data in patients with CLD and severe TCP in Spain. Bleeding events are frequent in those patients who need invasive procedures, even receiving platelet transfusions as a prophylactic treatment, increasing the further use of medical resources. Because that, new prophylactic treatments that are not yet generalized, are needed.

The artificial intelligence revolution in primary care: Challenges, dilemmas and opportunities.

Artificial intelligence (AI) can be a valuable tool for primary care (PC), as, among other things, it can help healthcare professionals improve diagnostic accuracy, chronic disease management and the overall efficiency of the care they provide. It is important to emphasise that AI should not be seen as a replacement tool, but as an aid to PC professionals. Although AI is capable of processing large amounts of data and generating accurate predictions, it cannot replace the skill and expertise of professionals in clinical decision making. AI still requires the interpretation and clinical judgement of a trained healthcare professional and cannot provide the empathy and emotional support often required in healthcare.

Learning outcomes measured in zoo and aquarium conservation education.

Communicating the topic of conservation to the public and encouraging proenvironmental behaviors can mitigate loss of biodiversity. Thus, the evaluation of educational efforts is important to ascertain the educational effects and provide high-quality conservation education. The learning outcomes of conservation education are diverse (e.g., attitudes, knowledge, and behavior). Considering the specific characteristics of these different outcomes and the factors that influence them is crucial to delivering successful conservation education. We reviewed 29 peer-reviewed articles published in English from January 2011 to April 2020 on empirical studies of learning outcomes of on-site conservation education in zoos and aquaria, institutions that seek to educate the public about conservation. We examined the range of learning outcomes, their definitions, and factors that influenced them. Cognitive outcomes were most frequently investigated (37%) in comparison with other outcomes (e.g., affective outcomes, 31%). The articles did not use explicit definitions for learning outcomes, and implicit or explorative definitions provided were inconsistent. Outcomes were influenced by various factors (e.g., prior experiences, staff interaction, animal behavior). Our results suggest the agenda of conservation education research should be broadened by examining all learning outcomes relevant to behavior change. Educational and behavior change theories should be used as a background for conservation education research to ensure clear and consistent definitions, derive appropriate instruments to measure learning outcomes, and relate learning outcomes to influencing factors. We recommend conservation education researchers and practitioners to treat conservation education holistically and acknowledge its learning outcomes' full complexity.

Resultados del Aprendizaje Medidos en la Educación para la Conservación en Zoológicos y Acuarios Resumen La comunicación del tema de conservación y el fomento de las conductas proambientales entre el público puede mitigar la pérdida de la biodiversidad. Así, la evaluación de los esfuerzos educativos es importante para determinar sus efectos y proporcionar una educación para la conservación de gran calidad. Los resultados del aprendizaje de la educación para la conservación son diversos (p.ej.: actitudes, conocimiento y comportamiento). Es importante considerar las características específicas de estos diferentes resultados y los factores que les influyen para proporcionar una educación para la conservación exitosa. Analizamos 29 artículos, revisados por pares y publicados en inglés entre enero de 2011 y abril de 2020, sobre los estudios empíricos de los resultados del aprendizaje de la educación para la conservación in situ en zoológicos y acuarios, instituciones que educan al público sobre la conservación. Analizamos la variedad de resultados del aprendizaje, sus definiciones y los factores que les influyen. Los resultados cognitivos fueron los que se investigaron con mayor frecuencia (37%) en comparación con otros resultados (p.ej.: resultados afectivos, 31%). Los artículos no usaron definiciones explícitas para los resultados del aprendizaje, y las definiciones implícitas o exploratorias que se proporcionaron fueron incoherentes. Los resultados estuvieron influenciados por diversos factores (p.ej.: experiencias previas, interacción con el personal, comportamiento animal). Nuestros resultados sugieren que la agenda de la investigación sobre la educación para la conservación debería extenderse mediante la examinación de los resultados del aprendizaje relevantes para el cambio en el comportamiento. Las teorías del cambio educativo y conductual deberían usarse como trasfondo para la investigación sobre la educación para la conservación para garantizar definiciones claras y concisas, derivar instrumentos adecuados para medir los resultados del aprendizaje y relacionar los resultados del aprendizaje con los factores influyentes. Recomendamos que los investigadores y los practicantes de la educación para la conservación la manejen de forma holística y reconozcan toda la complejidad de sus resultados de aprendizaje.

Evidence-based guidelines for automated conservation assessments of plant species.

Assessing species' extinction risk is vital to setting conservation priorities. However, assessment endeavors, such as those used to produce the IUCN Red List of Threatened Species, have significant gaps in taxonomic coverage. Automated assessment (AA) methods are gaining popularity to fill these gaps. Choices made in developing, using, and reporting results of AA methods could hinder their successful adoption or lead to poor allocation of conservation resources. We explored how choice of data cleaning type and level, taxonomic group, training sample, and automation method affect performance of threat status predictions for plant species. We used occurrences from the Global Biodiversity Information Facility (GBIF) to generate assessments for species in 3 taxonomic groups based on 6 different occurrence-based AA methods. We measured each method's performance and coverage following increasingly stringent occurrence cleaning. Automatically cleaned data from GBIF performed comparably to occurrence records cleaned manually by experts. However, all types of data cleaning limited the coverage of AAs. Overall, machine-learning-based methods performed well across taxa, even with minimal data cleaning. Results suggest a machine-learning-based method applied to minimally cleaned data offers the best compromise between performance and species coverage. However, optimal data cleaning, training sample, and automation methods depend on the study group, intended applications, and expertise.

La valoración del riesgo de extinción de las especies es vital para el establecimiento de prioridades de conservación. Sin embargo, los esfuerzos de valoración, como los que se usan para generar la Lista Roja de Especies Amenazadas de la UICN, tienen brechas importantes en la cobertura taxonómica. Los métodos de valoración automatizada (VA) están ganando popularidad como reductores de estas brechas. Las elecciones realizadas en el desarrollo, uso y reporte de resultados de los métodos de VA podrían obstaculizar su adopción exitosa o derivar en una asignación deficiente de recursos para la conservación. Exploramos cómo la selección del tipo de limpieza de datos y el nivel, grupo taxonómico, muestra de entrenamiento y el método de automatización afectan el desempeño de las predicciones del estado de amenaza de las especies de plantas. Usamos los registros de la Global Biodiversity Information Facility (GBIF) para generar las valoraciones de las especies de tres grupos taxonómicos con base en seis métodos diferentes de VA basados en la presencia de las especies. Medimos el desempeño de cada método y cobertura después de una limpieza de presencia cada vez más estricta. La información de la GBIF limpiada automáticamente tuvo un desempeño comparable con los registros de presencia limpiados manualmente por expertos. Sin embargo, todos los tipos de limpieza de datos limitaron la cobertura de las valoraciones automatizadas. En general, los métodos basados en el aprendizaje automático tuvieron un buen desempeño en todos los taxones, incluso con una limpieza mínima de datos. Los resultados sugieren que un método basado en el aprendizaje automático aplicado a información con la mínima limpieza ofrece el mejor equilibrio entre el desempeño y la cobertura de la especie. A pesar de esto, la limpieza óptima de datos, la muestra de entrenamiento y los métodos de automatización dependen del grupo de estudio, las aplicaciones deseadas y la experiencia.

Identifying socioeconomic and biophysical factors driving forest loss in protected areas.

Protected areas (PAs) are a commonly used strategy to confront forest conversion and biodiversity loss. Although determining drivers of forest loss is central to conservation success, understanding of them is limited by conventional modeling assumptions. We used random forest regression to evaluate potential drivers of deforestation in PAs in Mexico, while accounting for nonlinear relationships and higher order interactions underlying deforestation processes. Socioeconomic drivers (e.g., road density, human population density) and underlying biophysical conditions (e.g., precipitation, distance to water, elevation, slope) were stronger predictors of forest loss than PA characteristics, such as age, type, and management effectiveness. Within PA characteristics, variables reflecting collaborative and equitable management and PA size were the strongest predictors of forest loss, albeit with less explanatory power than socioeconomic and biophysical variables. In contrast to previously used methods, which typically have been based on the assumption of linear relationships, we found that the associations between most predictors and forest loss are nonlinear. Our results can inform decisions on the allocation of PA resources by strengthening management in PAs with the highest risk of deforestation and help preemptively protect key biodiversity areas that may be vulnerable to deforestation in the future.

Identificación de los factores biofísicos y socioeconómicos que impulsan la pérdida de bosques en las áreas protegidas Resumen Las áreas protegidas son una estrategia de uso común para hacer frente a la conversión forestal y la pérdida de biodiversidad. Aunque determinar los factores que impulsan la pérdida de bosques es fundamental para el éxito de la conservación, su comprensión se ve limitada por los supuestos de modelación convencionales. Utilizamos la regresión de bosques aleatorios para evaluar los posibles impulsores de la deforestación en las áreas protegidas de México, considerando las relaciones no lineales y las interacciones de orden superior que subyacen a los procesos de deforestación. Los impulsores socioeconómicos (densidad de carreteras, densidad de población humana) y las condiciones biofísicas subyacentes (precipitaciones, distancia al agua, elevación, pendiente) fueron predictores más fuertes de la pérdida de bosques que las características de las áreas protegidas, como la edad, el tipo y la efectividad de la gestión. Dentro de las características de las áreas protegidas, las variables que reflejan una gestión colaborativa y equitativa y el tamaño del área protegida fueron los predictores más potentes de la pérdida de bosques, aunque con menor poder explicativo que las variables socioeconómicas y biofísicas. A diferencia de los métodos utilizados anteriormente, que suelen basarse en el supuesto de relaciones lineales, observamos que las asociaciones entre la mayoría de los predictores y la pérdida de bosques no son lineales. Nuestros resultados pueden servir de base para la toma de decisiones sobre la asignación de los recursos para las áreas protegidas, reforzando la gestión en las zonas protegidas con mayor riesgo de deforestación y ayudando a proteger de forma preventiva zonas clave para la biodiversidad que pueden ser vulnerables a la deforestación en el futuro.

Introducing a common taxonomy to support learning from failure in conservation.

Although some sectors have made significant progress in learning from failure, there is currently limited consensus on how a similar transition could best be achieved in conservation and what is required to facilitate this. One of the key enabling conditions for other sectors is a widely accepted and standardized classification system for identifying and analyzing root causes of failure. We devised a comprehensive taxonomy of root causes of failure affecting conservation projects. To develop this, we solicited examples of real-life conservation efforts that were deemed to have failed in some way, identified their underlying root causes of failure, and used these to develop a generic, 3-tier taxonomy of the ways in which projects fail, at the top of which are 6 overarching cause categories that are further divided into midlevel cause categories and specific root causes. We tested the taxonomy by asking conservation practitioners to use it to classify the causes of failure for conservation efforts they had been involved in. No significant gaps or redundancies were identified during this testing phase. We then analyzed the frequency that particular root causes were encountered by projects within this test sample, which suggested that some root causes were more likely to be encountered than others and that a small number of root causes were more likely to be encountered by projects implementing particular types of conservation action. Our taxonomy could be used to improve identification, analysis, and subsequent learning from failed conservation efforts, address some of the barriers that currently limit the ability of conservation practitioners to learn from failure, and contribute to establishing an effective culture of learning from failure within conservation.

Introducción de una taxonomía común como apoyo al aprendizaje a partir del fracaso en la conservación Resumen Mientras que algunos sectores han progresado significativamente en el aprendizaje a partir del fracaso, actualmente hay un consenso limitado sobre cómo podría lograrse una transición similar en la conservación y qué se requiere para facilitarla. Una de las condiciones habilitantes más importantes en otros sectores es un sistema de clasificación estandarizado y aceptado por la mayoría para la identificación y análisis de las causas fundamentales del fracaso. Diseñamos una taxonomía completa de las causas fundamentales del fracaso que afecta a los proyectos de conservación. Para desarrollarla, solicitamos ejemplos de esfuerzos de conservación reales que de alguna manera se consideraron como fracasos, identificamos las causas fundamentales no aparentes de su fracaso y luego las usamos para desarrollar una taxonomía genérica de tres niveles de las maneras en las que fracasan los proyectos, en cuyo nivel superior están seis categorías de causas generales que después se dividen en categorías de nivel medio de categorías de causas y causas fundamentales específicas. Pusimos a prueba la taxonomía al pedirle a los practicantes de la conservación que la usaran para clasificar las causas del fracaso de los esfuerzos de conservación en los que han participado. No identificamos vacíos o redundancias importantes durante esta fase de prueba. Después, analizamos la frecuencia con la que los proyectos de esta muestra se enfrentaron a causas fundamentales particulares, lo que sugirió que algunas causas fundamentales tienen mayor probabilidad de ocurrir y que un número reducido de causas fundamentales tiene mayor probabilidad de ocurrir en proyectos que implementan ciertos tipos de acciones de conservación. Nuestra taxonomía podría usarse para mejorar el análisis, identificación y aprendizaje subsecuente a partir del fracaso de los esfuerzos de conservación; tratar algunas de las barreras que en la actualidad limitan a los practicantes de la conservación a aprender del fracaso; y contribuir al establecimiento de una cultura efectiva del aprendizaje a partir del fracaso dentro de la conservación.

Catalyzing success in community-based conservation.

Efforts to devolve rights and engage Indigenous Peoples and local communities in conservation have increased the demand for evidence of the efficacy of community-based conservation (CBC) and insights into what enables its success. We examined the human well-being and environmental outcomes of a diverse set of 128 CBC projects. Over 80% of CBC projects had some positive human well-being or environmental outcomes, although just 32% achieved positive outcomes for both (i.e., combined success). We coded 57 total national-, community-, and project-level variables and controls from this set, performed random forest classification to identify the variables most important to combined success, and calculated accumulated local effects to describe their individual influence on the probability of achieving it. The best predictors of combined success were 17 variables suggestive of various recommendations and opportunities for conservation practitioners related to national contexts, community characteristics, and the implementation of various strategies and interventions informed by existing CBC frameworks. Specifically, CBC projects had higher probabilities of combined success when they occurred in national contexts supportive of local governance, confronted challenges to collective action, promoted economic diversification, and invested in various capacity-building efforts. Our results provide important insights into how to encourage greater success in CBC.

Los esfuerzos por transferirle derechos e involucrar a los pueblos originarios y a las comunidades locales en la conservación han incrementado la demanda de evidencia sobre la eficiencia de la conservación basada en la comunidad (CBC) y de conocimiento sobre lo que posibilita su éxito. Analizamos los resultados ambientales y de bienestar humano en un conjunto diverso de 28 proyectos de CBC. Más del 80% de estos proyectos tuvieron resultados positivos para el ambiente o el bienestar humano, aunque sólo el 32% logró resultados positivos para ambos (es decir, éxito combinado). Codificamos en total 57 variables y controles a nivel nacional, comunitario y de proyecto en este conjunto, aplicamos una clasificación aleatoria de bosque para identificar las variables más importantes para el éxito combinado y calculamos los efectos locales acumulados para describir su influencia sobre la probabilidad de alcanzar el éxito combinado. Los mejores pronósticos del éxito combinado se obtuvieron con 17 variables sugerentes de varias políticas y oportunidades para los practicantes de la conservación relacionadas con los contextos nacionales, las características de la comunidad y la implementación de varias estrategias e intervenciones guiadas por los marcos existentes de CBC. Específicamente, los proyectos de CBC tuvieron mayor probabilidad de tener éxito combinado cuando se dieron dentro de contextos nacionales que respaldan la gobernanza local, enfrentan los retos de la acción colectiva, promueven la diversificación económica e invierten en varios esfuerzos por construir capacidades. Nuestros resultados proporcionan información importante sobre cómo alentar un mayor éxito en la CBC.

Implications of the scale of detection for inferring co-occurrence patterns from paired camera traps and acoustic recorders.

Multifunctional landscapes that support economic activities and conservation of biological diversity (e.g., cattle ranches with native forest) are becoming increasingly important because small remnants of native forest may comprise the only habitat left for some wildlife species. Understanding the co-occurrence between wildlife and disturbance factors, such as poaching activity and domesticated ungulates, is key to successful management of multifunctional landscapes. Tools to measure co-occurrence between wildlife and disturbance factors include camera traps and autonomous acoustic recording units. We paired 52 camera-trap stations with acoustic recorders to investigate the association between 2 measures of disturbance (poaching and cattle) and wild ungulates present in multifunctional landscapes of the Colombian Orinoquía. We used joint species distribution models to investigate species-habitat associations and species-disturbance correlations. One model was fitted using camera-trap data to detect wild ungulates and disturbance factors, and a second model was fitted after replacing camera-trap detections of disturbance factors with their corresponding acoustic detections. The direction, significance, and precision of the effect of covariates depended on the sampling method used for disturbance factors. Acoustic monitoring typically resulted in more precise estimates of the effects of covariates and of species-disturbance correlations. Association patterns between wildlife and disturbance factors were found only when disturbance was detected by acoustic recorders. Camera traps allowed us to detect nonvocalizing species, whereas audio recording devices increased detection of disturbance factors leading to more precise estimates of co-occurrence patterns. The collared peccary (Pecari tajacu), lowland tapir (Tapirus terrestris), and white-tailed deer (Odocoileus virginianus) co-occurred with disturbance factors and are conservation priorities due to the greater risk of poaching or disease transmission from cattle.

Implicaciones de la escala de detección para inferir los patrones de coocurrencia a partir de fototrampas y grabaciones emparejadas Resumen Los paisajes multifuncionales que sostienen actividades económicas y la conservación de la biodiversidad (p. ej., ganadería en bosques nativos) son cada vez más importantes porque los pequeños reductos de bosque nativo podrían comprender el único hábitat disponible para algunas especies de fauna. Es importante entender la coocurrencia entre la fauna y los factores de perturbación, como la actividad furtiva y los ungulados domésticos, para tener un manejo exitoso de los paisajes multifuncionales. Las herramientas que miden esta relación incluyen las fototrampas y las unidades autónomas de grabaciones acústicas. Emparejamos 52 estaciones de fototrampas con grabadoras acústicas para investigar la asociación entre dos medidas de perturbación (actividad furtiva y ganado) y los ungulados silvestres presentes en los paisajes multifuncionales de la Orinoquía colombiana. Usamos modelos conjuntos de distribución de especies para investigar las asociaciones especie-hábitat y las correlaciones especie-perturbación. Ajustamos un modelo con datos de fototrampeo para detectar ungulados silvestres y factores de perturbación; un segundo modelo fue ajustado después de reemplazar las detecciones por fototrampas de los factores de perturbación con las detecciones acústicas correspondientes. La dirección, importancia y precisión del efecto de las covarianzas dependió del método de muestreo usado para los factores de perturbación. El monitoreo acústico casi siempre resultó en estimaciones más precisas de los efectos de las covarianzas y de las correlaciones especie-perturbación. Los patrones de asociación entre la fauna y los factores de perturbación sólo se presentaron cuando las grabadoras acústicas detectaron la perturbación. Las fototrampas nos permitieron detectar especies que no vocalizan, mientras que las grabaciones de audio incrementaron la detección de factores de perturbación, lo que resultó en estimados más precisos de los patrones de coocurrencia. El pecarí de collar (Pecari tajacu), el tapir (Tapirus terrestris) y el venado cola blanca (Odocoileus virginianus) tuvieron coocurrencia con los factores de perturbación y tienen prioridad de conservación debido al mayor riesgo de caza furtiva o transmisión de enfermedades del ganado.

Updating the evidence: A systematic review of a decade of Infant and Early Childhood Mental Health Consultation (IECMHC) research.

Infant and Early Childhood Mental Health Consultation (IECMHC) is a preventative, capacity-building intervention in which mental health professionals partner with early childhood professionals to indirectly improve the environments and relationships that young children experience. Prior research has demonstrated that IECMHC is associated with positive outcomes for children, teachers, and classrooms. Over the past decade, IECMHC implementation and research have expanded, warranting an updated review. The current paper provides an update of the IECMHC evidence base. Included studies (n = 16) were systematically gathered, screened, and coded for context, intervention characteristics, methods and measures, outcomes across ecological levels, and alignment with the IDEAS Impact Framework's guiding questions. Our analysis replicates prior reviews, describing the positive impact of IECMHC on outcomes such as child externalizing behavior, teacher self-efficacy, and teacher-child interactions. Beyond updating prior reviews, this analysis describes emerging, nuanced findings regarding the mechanisms of change and the differential impact of IECMHC. We augment our review with descriptions of evaluations that did not meet our inclusion criteria (e.g., IECMHC in the home visiting context, unpublished evaluation reports) to provide context for our findings. Finally, we provide policy and practice implications and articulate an agenda for future research.

Practical foundations of machine learning for addiction research. Part I. Methods and techniques.

Machine learning assembles a broad set of methods and techniques to solve a wide range of problems, such as identifying individuals with substance use disorders (SUD), finding patterns in neuroimages, understanding SUD prognostic factors and their association, or determining addiction genetic underpinnings. However, the addiction research field underuses machine learning. This two-part narrative review focuses on machine learning tools and concepts, providing an introductory insight into their capabilities to facilitate their understanding and acquisition by addiction researchers. This first part presents supervised and unsupervised methods such as linear models, naive Bayes, support vector machines, artificial neural networks, and k-means. We illustrate each technique with examples of its use in current addiction research. We also present some open-source programming tools and methodological good practices that facilitate using these techniques. Throughout this work, we emphasize a continuum between applied statistics and machine learning, we show their commonalities, and provide sources for further reading to deepen the understanding of these methods. This two-part review is a primer for the next generation of addiction researchers incorporating machine learning in their projects. Researchers will find a bridge between applied statistics and machine learning, ways to expand their analytical toolkit, recommendations to incorporate well-established good practices in addiction data analysis (e.g., stating the rationale for using newer analytical tools, calculating sample size, improving reproducibility), and the vocabulary to enhance collaboration between researchers who do not conduct data analyses and those who do.

Practical foundations of machine learning for addiction research. Part II. Workflow and use cases.

In a continuum with applied statistics, machine learning offers a wide variety of tools to explore, analyze, and understand addiction data. These tools include algorithms that can leverage useful information from data to build models; these models can solve particular tasks to answer addiction scientific questions. In this second part of a two-part review on machine learning, we explain how to apply machine learning methods to addiction research. Like other analytical tools, machine learning methods require a careful implementation to carry out a reproducible and transparent research process with reliable results. This review describes a workflow to guide the application of machine learning in addiction research, detailing study design, data collection, data pre-processing, modeling, and results communication. How to train, validate, and test a model, detect and characterize overfitting, and determine an adequate sample size are some of the key issues when applying machine learning. We also illustrate the process and particular nuances with examples of how researchers in addiction have applied machine learning techniques with different goals, study designs, or data sources as well as explain the main limitations of machine learning approaches and how to best address them. A good use of machine learning enriches the addiction research toolkit.

Joint position statement of the Societat Catalana de Digestologia and the Societat Catalana de Radiologia on gastroenterologist-led ultrasound in Catalonia. / Documento de posicionamiento de la Societat Catalana de Digestologia y la Societat Catalana de Radiologia: ecografía para especialistas en enfermedad digestiva en Catalunya.

Over recent years, ultrasonography has been used increasingly in various medical specialties and is now an indispensable diagnostic tool. In gastroenterology, bedside or point-of-care ultrasound allows the early diagnosis and monitoring of multiple intraabdominal conditions. Ultrasound guidance is also highly useful in certain therapeutic procedures, increasing procedural safety. Ultrasound is a non-invasive technique but has the drawback of being very operator dependent. Therefore, it is necessary to ensure that the professionals who perform ultrasonography have a sufficient level of training in the technique. In Catalonia, abdominal ultrasound is usually carried out by radiologists and has not yet been incorporated as an investigation performed by gastroenterologists. In view of this, the Societat Catalana de Radiologia and the Societat Catalana de Digestologia judged it necessary to develop a consensus framework document on ultrasound use and training for gastroenterologists. The document establishes the suggested format for training, the appropriate indications, the minimum material requirements and appropriate documentation of the procedure to ensure that gastroenterologist-performed ultrasound is useful and safe.

Infant and early childhood mental health consultation in a diverse metropolitan area.

IECMHC can and should be a vehicle that promotes greater equity in access to high quality relationships within an early classroom environment. It is important to consider consultation through a racial equity lens to ensure that it is integrated in all levels of work. The goal of the study was to replicate the results from other IECMHC programs with a diverse, largely Latinx, population. The Jump Start program was given the unique opportunity to adapt the Georgetown Framework of Infant and Early Childhood Mental Health Consultation to a multicultural population in Miami. A total of 88 early learning programs and 244 teachers participated. Services were provided in English, Spanish, and Creole at the program- and classroom-level. Pre- and post-data were collected at both levels. Significant improvements at the program- and classroom-level were found post-consultation. Consultants demonstrated fidelity to core program practices while providing culturally and linguistically competent service. The current study replicated findings regarding the effectiveness of IECMHC while expanding results to a diverse metropolitan community. Key features of program success may be attributed to the use of highly trained consultants, action planning, fidelity monitoring, and enrollment of programs that were ready and have a champion for IECMHC.

Automated detection of frog calls and choruses by pulse repetition rate.

Anurans (frogs and toads) are among the most globally threatened taxonomic groups. Successful conservation of anurans will rely on improved data on the status and changes in local populations, particularly for rare and threatened species. Automated sensors, such as acoustic recorders, have the potential to provide such data by massively increasing the spatial and temporal scale of population sampling efforts. Analyzing such data sets will require robust and efficient tools that can automatically identify the presence of a species in audio recordings. Like bats and birds, many anuran species produce distinct vocalizations that can be captured by autonomous acoustic recorders and represent excellent candidates for automated recognition. However, in contrast to birds and bats, effective automated acoustic recognition tools for anurans are not yet widely available. An effective automated call-recognition method for anurans must be robust to the challenges of real-world field data and should not require extensive labeled data sets. We devised a vocalization identification tool that classifies anuran vocalizations in audio recordings based on their periodic structure: the repeat interval-based bioacoustic identification tool (RIBBIT). We applied RIBBIT to field recordings to study the boreal chorus frog (Pseudacris maculata) of temperate North American grasslands and the critically endangered variable harlequin frog (Atelopus varius) of tropical Central American rainforests. The tool accurately identified boreal chorus frogs, even when they vocalized in heavily overlapping choruses and identified variable harlequin frog vocalizations at a field site where it had been very rarely encountered in visual surveys. Using a few simple parameters, RIBBIT can detect any vocalization with a periodic structure, including those of many anurans, insects, birds, and mammals. We provide open-source implementations of RIBBIT in Python and R to support its use for other taxa and communities.

Los anuros (ranas y sapos) se encuentran dentro de los grupos taxonómicos más amenazados a nivel mundial. La conservación exitosa de los anuros dependerá de información mejorada sobre el estado y los cambios en las poblaciones locales, particularmente para las especies raras y amenazadas. Los sensores automatizados, como las grabadoras acústicas, tienen el potencial para proporcionar dicha información al incrementar masivamente la escala espacial y temporal de los esfuerzos de muestreo poblacional. El análisis de dicha información requerirá herramientas robustas y eficientes que puedan identificar automáticamente la presencia de una especie en las grabaciones de audio. Como las aves y los murciélagos, muchas especies de anuros producen vocalizaciones distintivas que pueden ser capturadas por las grabadoras acústicas autónomas y también son excelentes candidatas para el reconocimiento automatizado. Sin embargo, a diferencia de las aves y los murciélagos, todavía no se cuenta con una disponibilidad extensa de herramientas para el reconocimiento acústico automatizado de los anuros. Un método efectivo para el reconocimiento automatizado del canto de los anuros debe ser firme ante los retos de los datos reales de campo y no debería requerir conjuntos extensos de datos etiquetados. Diseñamos una herramienta de identificación de las vocalizaciones: la herramienta de identificación bioacústica basada en el intervalo de repetición (RIBBIT), el cual clasifica las vocalizaciones de los anuros en las grabaciones de audio con base en su estructura periódica. Aplicamos la RIBBIT a las grabaciones de campo para estudiar a dos especies: la rana coral boreal (Pseudacris maculata) de los pastizales templados de América del Norte y la rana arlequín variable (Atelopus varius), críticamente en peligro de extinción, de las selvas tropicales de América Central. Mostramos que RIBBIT puede identificar correctamente a las ranas corales boreales, incluso cuando vocalizan en coros con mucha superposición, y puede identificar las vocalizaciones de la rana arlequín variable en un sitio de campo en donde rara vez se le ha visto durante censos visuales. Mediante relativamente unos cuantos parámetros simples, RIBBIT puede detectar cualquier vocalización con una estructura periódica, incluyendo aquellas de muchos anuros, insectos, aves y mamíferos. Proporcionamos implementaciones de fuente abierta de RIBBIT en Python y en R para fomentar su uso para otros taxones y comunidades.

Automated conservation assessment of the orchid family with deep learning.

International Union for Conservation of Nature (IUCN) Red List assessments are essential for prioritizing conservation needs but are resource intensive and therefore available only for a fraction of global species richness. Automated conservation assessments based on digitally available geographic occurrence records can be a rapid alternative, but it is unclear how reliable these assessments are. We conducted automated conservation assessments for 13,910 species (47.3% of the known species in the family) of the diverse and globally distributed orchid family (Orchidaceae), for which most species (13,049) were previously unassessed by IUCN. We used a novel method based on a deep neural network (IUC-NN). We identified 4,342 orchid species (31.2% of the evaluated species) as possibly threatened with extinction (equivalent to IUCN categories critically endangered [CR], endangered [EN], or vulnerable [VU]) and Madagascar, East Africa, Southeast Asia, and several oceanic islands as priority areas for orchid conservation. Orchidaceae provided a model with which to test the sensitivity of automated assessment methods to problems with data availability, data quality, and geographic sampling bias. The IUC-NN identified possibly threatened species with an accuracy of 84.3%, with significantly lower geographic evaluation bias relative to the IUCN Red List and was robust even when data availability was low and there were geographic errors in the input data. Overall, our results demonstrate that automated assessments have an important role to play in identifying species at the greatest risk of extinction.

Evaluación Automatizada de la Conservación de la Familia Orchidaceae mediante Aprendizaje Profundo Resumen Los análisis de la Lista Roja de la Unión Internacional para la Conservación de la Naturaleza (UICN) son esenciales para la priorización de las necesidades de conservación, pero requieren de muchos recursos y por lo tanto están disponibles sólo para una fracción de la riqueza mundial de especies. Las evaluaciones automatizadas de la conservación basadas en los registros disponibles de presencia geográfica pueden ser una alternativa rápida pero no está claro cuán confiables son estas evaluaciones. Realizamos evaluaciones automatizadas de la conservación para 13,910 especies (47.3% de las especies conocidas de la familia) de la diversa y mundialmente distribuida familia de las orquídeas (Orchidaceae), en la cual la mayoría de las especies (13,049) no tenían una valoración previa por parte de la UICN. Usamos un método novedoso basado en una red neural profunda (IUC-NN). Identificamos 4,342 especies de orquídeas (31.2% de las especies evaluadas) como posiblemente amenazadas por la extinción (equivalente a las categorías de la UICN en peligro crítico [CR], en peligro [EN] o vulnerable [VU]) y a Madagascar, África Occidental, el sudeste de Asia y varias islas oceánicas como áreas prioritarias para la conservación de orquídeas. La familia Orchidaceae proporcionó un modelo con el cual probar la sensibilidad de los métodos de evaluación automatizada ante problemas con la disponibilidad de datos, la calidad de los datos y los sesgos de muestreo geográfico. La IUC-NN identificó posibles especies amenazadas con una certeza de 84.3% con un sesgo de evaluación geográfica significativamente más bajo en relación con la Lista Roja de la UICN y mostró solidez incluso cuando la disponibilidad de datos fue baja y hubo errores geográficos en los datos de entrada. En general, nuestros resultados demostraron que las evaluaciones automatizadas tienen un papel importante que desempeñar en la identificación de especies con mayor riesgo de extinción.

Exploring human-nature interactions in national parks with social media photographs and computer vision.

Understanding the activities and preferences of visitors is crucial for managing protected areas and planning conservation strategies. Conservation culturomics promotes the use of user-generated online content in conservation science. Geotagged social media content is a unique source of in situ information on human presence and activities in nature. Photographs posted on social media platforms are a promising source of information, but analyzing large volumes of photographs manually remains laborious. We examined the application of state-of-the-art computer-vision methods to studying human-nature interactions. We used semantic clustering, scene classification, and object detection to automatically analyze photographs taken in Finnish national parks by domestic and international visitors. Our results showed that human-nature interactions can be extracted from user-generated photographs with computer vision. The different methods complemented each other by revealing broad visual themes related to level of the data set, landscape photogeneity, and human activities. Geotagged photographs revealed distinct regional profiles for national parks (e.g., preferences in landscapes and activities), which are potentially useful in park management. Photographic content differed between domestic and international visitors, which indicates differences in activities and preferences. Information extracted automatically from photographs can help identify preferences among diverse visitor groups, which can be used to create profiles of national parks for conservation marketing and to support conservation strategies that rely on public acceptance. The application of computer-vision methods to automatic content analysis of photographs should be explored further in conservation culturomics, particularly in combination with rich metadata available on social media platforms.

Exploración de las Interacciones Humano-Naturaleza en los Parques Nacionales por Medio de Fotografías en Redes Sociales y Visión por Computadora Resumen La comprensión de las actividades y preferencias de los visitantes es crucial para el manejo de las áreas protegidas y la planeación de las estrategias de conservación. La culturomia de la conservación promueve el uso del contenido en línea generado por usuarios en las ciencias de la conservación. El contenido de redes sociales etiquetado geográficamente es una fuente única de información in situ sobre la presencia humana y sus actividades en la naturaleza. Las fotografías publicadas en las redes sociales son una fuente prometedora de información, aunque el análisis manual de grandes volúmenes de fotografías sigue siendo laborioso. Evaluamos la aplicación de algunos métodos de punta de visión por computadora para estudiar las interacciones humano-naturaleza. Usamos agrupaciones semánticas, clasificación de escenas y detección de objetos para analizar automáticamente las fotografías tomadas por visitantes domésticos e internacionales dentro de los parques nacionales finlandeses. Nuestros resultados mostraron que las interacciones humano-naturaleza pueden extraerse de fotografías generadas por usuarios mediante la visión por computadora. Los diferentes métodos se complementaron unos a otros al revelar temas visuales generalizados relacionados con el nivel del conjunto de datos, fotogeneidad del paisaje y las actividades humanas. Las fotografías geoetiquetadas revelaron unos perfiles regionales distintos para los parques nacionales (p. ej.: preferencias en los paisajes y las actividades), que son potencialmente útiles para el manejo de los parques. El contenido fotográfico difirió entre los visitantes domésticos y los internacionales, lo cual indica diferencias en sus actividades y preferencias. La información extraída automáticamente de las fotografías puede ayudar a identificar las preferencias entre los grupos diversos de visitantes, lo cual puede usarse para crear un perfil de cada parque nacional para su uso en el mercadeo de la conservación y para apoyar a las estrategias de conservación que dependen de la aceptación pública. La aplicación de los métodos de visión por computadora al análisis automático de contenido de las fotografías debería explorarse mucho más en la culturomia de la conservación, particularmente en combinación con la riqueza de metadatos disponibles en las plataformas sociales.

Using deep-belief networks to understand propensity for livelihood change in a rural coastal community to further conservation.

Overharvesting of terrestrial and marine resources may be alleviated by encouraging an alternative configuration of livelihoods, particularly in rural communities in developing countries. Typical occupations in such areas include fishing and farming, and rural households often switch livelihood activities to suit climate and economic conditions. We used a machine-learning tool, deep-belief networks (DBN), and data from surveys of a rural Philippine coastal community to examine household desire to change livelihood. This desire is affected by a variety of factors, such as income, family needs, and feelings of work satisfaction, that are interrelated in complex ways. In farming households, livelihood changes often occur to diversify resources, increase income, and lessen economic risk. The DBN, given its multilayer perceptron structure, has a capacity to model nonlinear relationships among factors while providing an acceptable degree of accuracy. Relative to a set of 34 features (e.g., education, boat ownership, and work satisfaction), we examined the binary response variables desire to change work or not to change work. The best network had a test set accuracy of 97.5%. Among the features, 7 significantly affected desire to shift work: ethnicity, work satisfaction, number of persons in a household in ill health, number of fighting cocks owned, fishing engagement, buy-and-sell revenue, and educational level. A cross-correlation matrix of these 7 features indicated households less inclined to change work were those engaged in fishing and retail buying and selling. For fishing, provision of economic and other incentives should be considered to encourage changing from this occupation to allow recovery of fishery resources.

Uso de Redes de Creencia Profunda para Entender la Predisposición por el Cambio en el Medio de Vida en una Comunidad Rural Costera para Promover la Conservación Resumen La sobrexplotación de los recursos terrestres y marinos puede ser mitigada promoviendo una configuración alternativa de los medios de vida, particularmente en las comunidades rurales de los países en desarrollo. Las ocupaciones típicas en dichas áreas incluyen la pesca y la agricultura, y los hogares rurales comúnmente alternan entre estas actividades de sustento para ajustarse a las condiciones climáticas y económicas. Usamos una herramienta de aprendizaje automático, redes de creencia profunda (RCP) y datos tomados de censos aplicados a una comunidad rural costera en las Filipinas para examinar el deseo de cada hogar por cambiar su medio de vida. Este deseo se ve afectado por una variedad de factores, como el nivel de ingreso, las necesidades familiares y la sensación de satisfacción laboral, que están interrelacionados de maneras complejas. En los hogares agricultores, los cambios en el medio de vida ocurren con frecuencia para diversificar los recursos, aumentar el ingreso y disminuir el riesgo económico. Las RCP, dada la estructura multicapa de su perceptrón, tiene una capacidad para modelar las relaciones no lineales entre los factores mientras proporciona un grado aceptable de precisión. En relación con un conjunto de 34 caracteres (p. Ej.: educación, propiedad de navíos, satisfacción laboral), examinamos las variables de respuesta binaria deseo cambiar de trabajo y no deseo cambiar de trabajo. La mejor red tuvo una precisión de conjunto de pruebas del 97.5%. Entre los caracteres, siete afectaron significativamente el deseo por cambiar de trabajo: la etnicidad, la satisfacción laboral, el número de personas con mala salud en un mismo hogar, el número de gallos de pelea en su propiedad, la participación dentro de la pesca, los ingresos por compra y venta, y el nivel educativo. Una matriz de correlación cruzada de estos siete caracteres indicó que los hogares con una menor tendencia hacia el cambio de trabajo fueron aquellos que participan en la pesca y en la compra y venta al menudeo. Para la pesca, el suministro de incentivos económicos y de otros tipos debería considerarse para promover el cambio de esta ocupación y así permitir la recuperación de los recursos pesqueros.

Self-medication Hypothesis and Family Socialization Theory: Examining Independent and Common Mechanisms Responsible for Binge Drinking.

For many, binge drinking behaviors start early and become a persistent pattern of use throughout the lifespan. In an effort to strengthen understanding of etiology, this study considered the mechanisms from the self-medication hypothesis and family socialization theory. The goal was to identify whether emotional distress is a potential shared mechanism that accounts for the development of binge drinking in different developmental periods. This study used the National Longitudinal Study of Adolescent to Adult Health (Add Health) dataset to examine binge drinking across time for n = 9,421 participants ranging in age from 11 to 18 (M = 15.39, SD = 1.62) at Wave I and ranging from 24 to 32 (M = 28.09, SD = 1.61) at Wave IV of the study. Using an autoregressive cross-lagged model, I examined how parent-child closeness, depressive symptoms, and binge drinking were related over three developmental periods. In examining cross-sectional and longitudinal relations, depressive symptoms were significantly related to binge drinking more often than parent-child closeness; however, results indicated the self-medication model may primarily account for concurrent drinking behaviors rather than long-term. The family socialization theory was indicated to account for some variability above and beyond the self-medication hypothesis. No indirect association between binge drinking and the parent-child relationship was detected through depressive symptoms, failing to support a shared mechanism between the two theories. The results provide support for a multifaceted assessment process for substance using clients, and support the use of Multisystemic Family Therapy, Multidimensional Family Therapy, and perhaps Attachment-Based Family Therapy.

Para muchos, las conductas de consumo de alcohol compulsivo comienzan temprano y se convierten en un patrón de uso persistente durante toda la vida. En un esfuerzo para fortalecer el entendimiento de la etiología, este estudio consideró los mecanismos desde el punto de vista de la hipótesis de automedicación y la teoría de socialización familiar. La meta fue identificar si la angustia emocional es un posible mecanismo compartido que explica el desarrollo de consumo de alcohol compulsivo en periodos de desarrollo distintos. Este estudio empleó el conjunto de datos del Estudio Longitudinal Nacional de Salud de Adolescentes a Adultos (conocido como Add Health) para examinar el consumo de alcohol compulsivo a lo largo del tiempo para n = 9.421 participantes con edades de 11 a 18 (M = 15.39, DE = 1.62) en la Fase I y de 24 a 32 (M = 28.09, DE = 1.61) en la Fase IV del estudio. Usando un modelo autorregresivo de correlaciones cruzadas, examiné como la cercanía padre-hijo, los síntomas depresivos y el consumo de alcohol compulsivo se relacionaban a lo largo de tres periodos de desarrollo. En un examen de relaciones transversales y longitudinales, los síntomas depresivos se asociaron significativamente al consumo de alcohol compulsivo con mayor frecuencia que la cercanía padre-hijo; sin embargo, los resultados indicaron que el modelo de automedicación podría ser una explicación principal de conductas concurrentes de consumo de alcohol en vez de a largo plazo. La teoría de socialización familiar se indicó con miras a explicar cierta variabilidad más allá de la hipótesis de automedicación. No se detectó ninguna asociación indirecta entre el consumo de alcohol compulsivo y la relación padre-hijo a través de síntomas depresivos, lo que no proporciona apoyo a un mecanismo compartido entre las dos teorías. Los resultados proporcionan apoyo a un proceso de evaluación multifacética para clientes consumidores de sustancias, y apoya el uso de Terapia Familiar Multisistémica, Terapia Familiar Multidimensional, y quizás Terapia Familiar Basada en Apegos.

Applying deep learning to right whale photo identification.

Photo identification is an important tool for estimating abundance and monitoring population trends over time. However, manually matching photographs to known individuals is time-consuming. Motivated by recent developments in image recognition, we hosted a data science challenge on the crowdsourcing platform Kaggle to automate the identification of endangered North Atlantic right whales (Eubalaena glacialis). The winning solution automatically identified individual whales with 87% accuracy with a series of convolutional neural networks to identify the region of interest on an image, rotate, crop, and create standardized photographs of uniform size and orientation and then identify the correct individual whale from these passport-like photographs. Recent advances in deep learning coupled with this fully automated workflow have yielded impressive results and have the potential to revolutionize traditional methods for the collection of data on the abundance and distribution of wild populations. Presenting these results to a broad audience should further bridge the gap between the data science and conservation science communities.

Aplicación del Aprendizaje Profundo a la Identificación Fotográfica de la Ballena Franca Resumen La identificación fotográfica es una herramienta importante para la estimación de la abundancia y el monitoreo de las tendencias poblacionales en el tiempo. Sin embargo, corresponder las fotografías con los individuos conocidos requiere de mucho tiempo. Motivados por los avances recientes en el reconocimiento de imágenes, decidimos acoger un reto de datos científicos en la plataforma de colaboración masiva Kaggle para automatizar la identificación de ballenas francas del Atlántico norte (Eubalaena glacialis), especie que se encuentra en peligro de extinción. La solución ganadora identificó automáticamente a las ballenas individuales con una certeza del 87% y con una serie de redes neurales convolucionales para identificar la región de interés en una imagen, rotar, recortar, y crear fotografías estandarizadas de tamaño y orientación uniforme y después identificar al individuo correcto a partir de estas fotografías tamaño pasaporte. Los avances recientes en el aprendizaje profundo acoplados a este flujo de trabajo completamente automatizado han producido resultados impresionantes y tienen el potencial para revolucionar los métodos tradicionales de recolección de datos de abundancia y distribución de las poblaciones silvestres. La presentación de estos resultados ante un público amplio debería reducir aún más el vacío que existe entre los datos científicos y las comunidades científicas para la conservación.