斯洛文尼亚推出了一款新的野生动物监测应用程序：对数据质量和使用情况的初步评估

《Journal for Nature Conservation》：A new wildlife monitoring app in Slovenia: A pilot evaluation of data quality and use

　　?iga Velkavrh | Luka Duni? | Bo?tjan Pokorny | Hubert Poto?nik | Elena Bu?an
普里莫尔斯卡大学，数学、自然科学与信息技术学院，Glagolja?ka 8号，6000 Koper，斯洛文尼亚

**摘要**
野生动物监测对于成功保护和管理野生动物种群至关重要。为了支持斯洛文尼亚的现代野生动物监测方法，我们开发了SRNA这款全国性的公民科学应用程序，它可以收集关于多种陆地脊椎动物的额外元数据。该应用程序面向两类公民科学家：猎人和其他自然观察者。为了促进学习，它包含基于照片的野生动物识别测验和物种识别指南。这项初步研究评估了应用程序的使用情况和数据质量，旨在实现两个目标：（1）评估用户从照片中识别野生动物物种的能力，重点关注那些难以识别的物种，并测试不同哺乳动物群体之间的识别准确性；（2）分析通过SRNA提交的野生动物观察数据。

用户成功识别了一些独特的物种，但在区分某些鼬科动物以及金豺和灰狼时遇到了一些困难，这表明需要针对这些物种开展有针对性的教育活动。生物学背景有助于提高对鼬科动物和犬科动物的识别能力。

在第一个运营年度，SRNA通过742份报告收集了1633条观察记录，其中主要是欧洲狍子的记录。猎人和自然观察者提供了互补的数据：不仅在报告的物种数量和提供的数据量上存在差异，而且在生物地理区域的报告模式、报告频率以及发现与提交之间的平均延迟时间上也存在差异。

研究表明，SRNA为野生动物监测提供了有价值的补充数据，但也指出了数据质量方面的局限性（如偏差和验证问题），在使用SRNA数据时必须加以考虑。

**1. 引言**
公民科学（CS）可以广泛理解为公众参与科学研究的过程，尽管目前尚无普遍接受的定义（Haklay等人，2021年）。近几十年来，公民科学在环境和生态研究中越来越受欢迎（Chase和Levine，2016年；Frigerio等人，2018年；Smith等人，2018年；de Virgilio等人，2020年；Fraisl等人，2022年；Koi等人，2024年）。在野生动物监测中，公民科学数据尤为重要，因为传统的监测方法既昂贵又耗时费力。因此，引入公民科学家可以显著促进数据收集，并在空间和时间上扩展监测范围（Bonney等人，2009年；Van Vliet和Moore，2016年）。

在监测野生有蹄类动物、大型食肉动物和小型猎物（如中型食肉动物、兔形目动物和某些鸟类）方面，猎人群体是一支特别有价值但常被忽视的公民科学家力量。他们具有巨大的贡献潜力（Cretois等人，2020年；DeCesare等人，2023年；Zanet等人，2024年；Ludolphy等人，2025年）。首先，他们通常比其他公民科学家在自然界中花费更多时间——尤其是在夜间，此时动物更为活跃——并且拥有更丰富的野生动物知识，因此能够提供更高质量的数据（即偏差更小、细节更丰富）。其次，他们经常在野外活动，有助于监测多种物种；在此过程中，他们不仅通过直接观察提供数据，还通过分享相机陷阱数据发挥作用（Cretois等人，2020年）。

根据斯洛文尼亚的国家法律和欧洲法规，对野生动物进行定期和系统的监测是必须的。针对不同的狩猎场管理者，有两个独立的数据库——分别由斯洛文尼亚猎人协会（HAS）和斯洛文尼亚林业服务局（SFS）开发和维护——用于强制收集和存档多种脊椎动物（主要是猎物）的死亡数据。这两个数据库的数据每天都会传输到斯洛文尼亚中央狩猎信息系统（OSLIS，2025年）（Levani?等人，2023年）。

为了收集关于物种出现、繁殖能力和健康状况的额外元数据（这些数据在现有的斯洛文尼亚野生动物数据库中并未系统收集），我们与HAS合作开发了SRNA应用程序。该应用程序可以收集多种野生动物的出现数据，包括有蹄类动物、食肉动物、大型啮齿动物、兔形目动物和选定的鸟类。从方法论上讲，SRNA不同于一般的生物多样性公民科学平台（如iNaturalist）或专门用于猎人野生动物观察和/或狩猎报告的应用程序（如挪威的应用程序Sett og Skutt / Seen and Shot；Brainerd和Storaas，2025年），因为它为猎人和其他自然观察者提供了不同的界面。猎人的界面使他们能够提供更详细的野生动物观察信息，特别是关于繁殖能力和健康状况的信息，从而使SRNA的数据成为现有斯洛文尼亚野生动物数据库的补充。此外，SRNA还整合了物种指南和基于照片的野生动物识别测验，使其既具有教育意义，也具有娱乐性。Ogawa等人（2023年）的研究表明，测验式的在线培训工具可以提高鸟类鸣叫的识别能力和对鸟类的兴趣，进一步支持了这一教育价值。

虽然公民科学可以加快大规模野生动物数据的收集速度，但由于公民科学家的知识和技能可能有限，尤其是在识别难度较高的物种时，收集到的数据需要谨慎对待（Foster-Smith和Evans，2003年；Crall等人，2011年；Koo等人，2022年；Gorleri等人，2023年）。公民科学研究还面临其他数据质量挑战，包括采样偏差（特别是空间、时间和分类学方面的偏差；Carlen等人，2024年；Backstrom等人，2025年）、观察者差异和报告偏好（Johnston等人，2023年）。如果这些问题得不到解决，不可靠和有偏差的数据可能导致错误的估计和结论（Geldmann等人，2016年）。

本研究通过让猎人和其他自然观察者作为基于应用程序的贡献者参与进来，实现了两个主要目标：（1）评估斯洛文尼亚公民科学家从照片中识别野生动物物种的能力，并测试不同哺乳动物群体（犬科、啮齿类、鼬科、类似山羊的有蹄类动物、鹿科——仅限雌性）之间的识别准确性；（2）分析通过SRNA应用程序收集的野生动物观察数据的特征和质量。

通过实现目标（1），本研究提供了跨哺乳动物群体的基于照片的识别准确性的比较评估，这在公民科学文献中相对较少见。我们假设准确性的差异源于不同群体之间物种形态相似度的差异以及人们对物种诊断特征的认知差异。具体来说，我们预计鼬科的识别准确性最低，因为该群体中的一些物种具有相似的颜色和体型，且关键诊断特征可能不为人所熟知。我们也预计犬科的识别准确性较低，因为金豺（Canis aureus）和灰狼（Canis lupus）之间容易混淆。对于其他群体，我们预期识别准确性较高。然而，对于类似山羊的有蹄类动物，当展示幼体时可能会出现混淆，因为它们的体型、角的大小和形状不够明显；而对于鹿科，雌性缺乏基于鹿角的诊断特征，也可能导致混淆。

**2. 材料与方法**
2.1. 公民科学应用程序的实现和结构
SRNA是一款全国性的公民科学应用程序，可通过智能手机（Android/iOS）或网页浏览器访问。它于2022年7月推出，斯洛文尼亚猎人协会是该应用程序开发的关键合作伙伴。在发布之前，通过非正式的面对面会议和在线活动在猎人社区中进行了宣传推广。发布后，通过国家媒体、社交媒体、印刷材料、斯洛文尼亚狩猎日的演讲以及面向大学生和中学生的研讨会等方式继续推广该应用程序，目的是介绍该应用程序，鼓励早期采用并扩大用户群体。

该应用程序的主要目的是通过用户报告收集标准化的野生动物观察数据。观察数据是SRNA应用程序的基本单位：除了实际的动物目击记录外，还可以包括动物存在的迹象，如足迹、粪便或巢穴。每份报告包含在特定时间和地点对同一物种的一次或多次观察。该应用程序收集39种脊椎动物的数据（31种哺乳动物，8种鸟类），选择标准基于管理重要性、可识别性和保护或监测需求（表1）。这些物种的选择旨在涵盖：（1）与人类或农业产生冲突的物种（“冲突”物种，包括入侵物种和家养物种）；（2）容易被公民科学家识别的哺乳动物和鸟类物种；（3）对管理具有高价值的物种，将其纳入应用程序有助于改善种群监测和管理、疾病监测或作为可靠的生态系统指标。具体纳入物种的理由及其在斯洛文尼亚红色名录中的状态见附录A.1，表A1。

**表1. SRNA应用程序中包含的物种**
**哺乳动物**
野生有蹄类动物（7种）：野猪（Sus scrofa）、欧洲狍子（Capreolus capreolus）、红鹿（Cervus elaphus）、狍子（Dama dama）、北山羊（Rupicapra rupicapra）、阿尔卑斯山羊（Capra ibex）、欧洲盘羊（Ovis gmelini musimon）

**食肉动物（16种）**：棕熊（Ursus arctos）、灰狼（Canis lupus）、欧亚猞猁（Lynx lynx）、金豺（Canis aureus）、红狐（Vulpes vulpes）、欧洲野猫（Felis silvestris）、貉（Nyctereutes procyonoides）、石貂（Martes foina）、松貂（Martes martes）、欧洲鼬（Mustela putorius）、欧亚獾（Meles meles）、美洲浣熊（Procyon lotor）、欧亚水獭（Lutra lutra）、最小鼬（Mustela nivalis）、白鼬（Mustela erminea）、家猫（Felis catus）

**啮齿动物和兔形目动物（8种）**：棕兔（Lepus europaeus）、山兔（Lepus timidus）、阿尔卑斯旱獭（Marmota marmota）、红松鼠（Sciurus vulgaris）、欧亚海狸（Castor fiber）、水豚（Myocastor coypus）、麝鼠（Ondatra zibethicus）、 edible dormouse（Glis glis）

**鸟类**
松鸡和猎鸟（8种）：西松鸡（Tetrao urogallus）、黑松鸡（Lyrurus tetrix）、岩雷鸟（Lagopus muta）、榛鸡（Tetrastes bonasia）、灰鹧鸪（Perdix perdix）、普通鹌鹑（Coturnix coturnix）、希腊鹧鸪（Alectoris graeca）、普通雉鸡（Phasianus colchicus）

**注：** 对于标有*号的9种物种（即所有7种野生有蹄类动物、金豺和红狐），猎人还可以提供狩猎报告。

要提交报告，用户必须登录应用程序并选择报告观察到的动物或存在的迹象、路杀动物或死亡动物（仅限自然观察者）、捕获的动物（仅限猎人），或者如果无法识别物种则上传照片（图1顶部显示了自然观察者的主界面）。选择物种后，用户需要在交互式多层地图上指定观察地点。指定地点是必须的，因为这有助于研究人员和HAS专家评估报告的可靠性、创建物种出现地图和/或按地区计算物种报告的分布情况。不过，用户可以选择是否公开地点信息。指定地点后，用户需要填写观察细节，如日期和时间、个体数量以及适用的年龄和性别。大多数字段都预设了默认值，以确保提交的报告不缺少核心元数据。在提交报告时，用户还可以在“附加评论”字段中提供额外信息，如具体行为、动物的身体状况（例如怀孕情况）或健康状况。虽然上传照片是鼓励的，但不是强制性的，但照片有助于验证每份报告的真实性。

**下载：** 下载高分辨率图片（483KB）
**下载：** 下载全尺寸图片

**图1. SRNA应用程序：主菜单（顶部）；物种指南（左下角）；示例测验问题（右下角）。**

SRNA根据用户是注册为猎人还是自然观察者提供不同的功能。自然观察者和猎人都可以报告野生动物观察结果，包括直接观察和通过相机陷阱捕获的间接观察结果。对于某些物种，自然观察者需要提供性别和年龄类别的信息。这些字段因物种而异，如果信息不可用，则默认设置为“未知”，以反映观察者的不确定性或缺乏知识。自然观察者可以在了解相关信息时更新这些字段（性别：男性、女性；年龄类别：幼体、成年）。猎人可以提供有关野生动物观察的额外信息，包括个体年龄类别和繁殖成功的详细情况。例如，对于幼体个体，他们可以进一步指定它是小猪/小鹿/小牛，或者是一岁幼崽，并且可以报告每只雌性动物的后代数量。自然观察者还可以报告在户外活动中遇到的路杀动物和其他死亡动物（图1，顶部），这是根据用户请求添加的选项。猎人没有这个选项，因为他们必须将所有路杀动物报告到官方的狩猎信息系统中。然而，他们可以报告选定猎物种群的捕获数据（在表1中用*标记）。捕获报告可以包括关于动物繁殖潜力（胚胎数量）和健康状况（受伤、疾病和寄生虫）的信息。与其他报告类型不同，捕获报告没有专门的评论部分，但猎人可以通过自由文本字段选择性地记录动物的性别、年龄或年龄类别以及其他可能相关的细节。

自然观察者的界面也提供英文版本，因此非母语者可以轻松使用该应用程序。双语界面有助于将SRNA应用程序整合到跨界监测活动和其他欧洲项目中。除了收集野生动物观察数据外，该应用程序还允许用户进行其他操作，包括通过基于照片的测验测试他们的野生动物识别技能（图1，右下角），以及查阅突出显示应用程序中包含的物种关键诊断特征的物种指南（图1，左下角），从而提高用户的识别技能。

2.2 SRNA野生动物观察数据及相关定义
为了清晰起见，并支持对野生动物观察数据的分析，我们重新陈述了关键术语（观察和报告）的定义，并定义了两个额外的术语（活跃用户和报告率）。观察是SRNA应用程序的基本单位：除了实际看到动物外，它也可以指动物存在的迹象（例如，它的足迹、粪便或巢穴）。报告是用户通过应用程序提交的记录，总结了在同一日期/时间和地点对同一物种的一次或多次观察。活跃用户是指在研究期间至少提交过一次报告的用户。报告率定义为每个活跃用户的报告数量。

用于分析的野生动物观察数据收集于2022年7月1日至2023年6月30日之间。为了总结空间模式，斯洛文尼亚被划分为四个生物地理区域：阿尔卑斯和亚阿尔卑斯、迪纳里克和亚迪纳里克、亚地中海和亚潘诺尼亚（图4）。

目前，野生动物观察结果可以在应用程序中查看，但基础数据无法下载。用户可以向开发团队请求数据，目前只有开发团队能够导出这些数据。然而，我们计划将来通过外部存储库（如GBIF）公开这些数据。

2.3 野生动物识别测验
基于照片的测验旨在评估公民科学家识别野生动物物种的准确性以及这种准确性在不同分类单元之间的差异。测验重点关注16种预计会带来识别挑战的哺乳动物物种，这些物种分为五个分类组：犬科（灰狼、金豺、红狐）、啮齿类（欧亚河狸、水豚）、鼬科（石貂、松貂、欧洲鼬、黄鼠狼、最小鼬）、类似山羊的蹄类动物（北山羊、阿尔卑斯北山羊、野山羊（Capra hircus）和鹿科（欧洲狍子、黇鹿、红鹿）。为了保持测验的简洁性，排除了野猪、棕熊和红松鼠等独特物种，以及一些可能引起混淆的哺乳动物对（例如，棕兔与山兔、野猫与家猫、浣熊与貉）。

测验可以从SRNA主菜单访问，运行在符合GDPR标准的1KA平台上（https://www.1ka.si/）。参与是自愿的、匿名的、没有奖励的，并且尝试次数不限。每次尝试会显示30张照片，这些照片是从223张CC BY许可的照片中随机抽取的。每张照片显示同一物种的一个或多个个体（图1，右下角）。在每次测验尝试中，7张照片属于犬科，3张属于啮齿类，10张属于鼬科，每个类似山羊的蹄类动物组和鹿科各5张。如果受访者选择不查看路杀动物和死亡动物的照片，那么每个组的光照数量分别为6张、3张、9张、6张和6张。受访者不会被告知他们将看到的确切照片数量。

受访者在测验中的任务是识别每张照片中显示的野生动物物种。在可能的答案中，只给出属于同一哺乳动物组的物种，以及“我不知道”这个选项（图1，右下角）。为了增加测验难度，当显示犬科物种时，狗（Canis lupus familiaris）也会作为可能的答案之一，尽管照片库中没有狗的照片。此外，由于雄性鹿更容易区分（由于鹿角的大小和形状不同），显示鹿物种的照片仅包含雌性个体。一旦受访者完成物种识别，他们会被邀请回答五个与人口统计和背景特征相关的问题。人口统计和背景变量包括年龄、性别、教育水平、学位领域（如果相关）以及使用类似应用程序的先前经验。详细信息见表2。

2.4 SRNA野生动物观察数据和相关定义
为了清晰起见，并支持对野生动物观察数据的分析，我们重新陈述了关键术语（观察和报告）的定义，并定义了两个额外的术语（活跃用户和报告率）。观察是SRNA应用程序的基本单位：除了实际看到动物外，它也可以指动物存在的迹象（例如，它的足迹、粪便或巢穴）。报告是用户通过应用程序提交的记录，总结了在同一日期/时间和地点对同一物种的一次或多次观察。活跃用户是指在研究期间至少提交过一次报告的用户。报告率定义为每个活跃用户的报告数量。

用于分析的野生动物观察数据收集于2022年7月1日至2023年6月30日之间。为了总结空间模式，斯洛文尼亚被划分为四个生物地理区域：阿尔卑斯和亚阿尔卑斯、迪纳里克和亚迪纳里克、亚地中海和亚潘诺尼亚（图4）。

目前，野生动物观察结果可以在应用程序中查看，但基础数据无法下载。用户可以向开发团队请求数据，目前只有开发团队能够导出这些数据。然而，我们计划将来通过外部存储库（如GBIF）公开这些数据。

2.5 野生动物识别测验
基于照片的测验旨在评估公民科学家识别野生动物物种的准确性以及这种准确性在不同分类单元之间的差异。测验重点关注16种预计会带来识别挑战的哺乳动物物种，这些物种分为五个分类组：犬科（灰狼、金豺、红狐）、啮齿类（欧亚河狸、水豚）、鼬科（石貂、松貂、欧洲鼬、黄鼠狼、最小鼬）、类似山羊的蹄类动物（北山羊、阿尔卑斯北山羊、野山羊（Capra hircus）和鹿科（欧洲狍子、黇鹿、红鹿）。为了保持测验的简洁性，排除了野猪、棕熊和红松鼠等独特物种，以及一些可能引起混淆的哺乳动物对（例如，棕兔与山兔、野猫与家猫、浣熊与貉）。

测验可以从SRNA主菜单访问，运行在符合GDPR标准的1KA平台上（https://www.1ka.si/）。参与是自愿的、匿名的、没有奖励的，并且尝试次数不限。每次尝试会显示30张照片，这些照片是从223张CC BY许可的照片中随机抽取的。每张照片显示同一物种的一个或多个个体（图1，右下角）。在每次测验尝试中，7张照片属于犬科，3张属于啮齿类，10张属于鼬科，每个类似山羊的蹄类动物组和鹿科各5张。如果受访者选择不查看路杀动物和死亡动物的照片，那么每个组的光照数量分别为6张、3张、9张、6张和6张。受访者不会被告知他们将看到的确切照片数量。

受访者在测验中的任务是识别每张照片中显示的野生动物物种。在可能的答案中，只给出属于同一哺乳动物组的物种，以及“我不知道”这个选项（图1，右下角）。为了增加测验难度，当显示犬科物种时，狗（Canis lupus familiaris）也会作为可能的答案之一，即使照片库中没有狗的照片。此外，由于雄性鹿更容易区分（由于鹿角的大小和形状不同），显示鹿物种的照片仅包含雌性个体。一旦受访者完成物种识别，他们会被邀请回答五个与人口统计和背景特征相关的问题。人口统计和背景变量包括年龄、性别、教育水平、学位领域（如果相关）以及使用类似应用程序的先前经验。详细信息见表2。在人口统计和背景问题之后，测验结束，受访者会看到他们的得分，即正确识别的动物数量和百分比，以及每张照片的正确答案。

表2. 人口统计和背景问题
变量 问题 回答类别
年龄 你多大了？ 18–25；26–35；36–45；46–55；56–65；66–75；75+
性别 性别：男性；女性；其他；不愿透露 男性；女性；其他；不愿透露
教育水平 你的教育水平是什么？ 中学；学士学位/高等职业学院；其他
学位领域 如果你有相关领域的学位，请相应指出。 生物学；农业/林业；兽医科学/畜牧业；其他
先前使用类似应用程序的经验 你是否曾经使用过移动应用程序来记录动物和植物物种的存在（例如，iNaturalist）？ 是；否

测验目前存在一些局限性。它排除了应用程序中考虑的鸟类物种，尽管其中一些物种对某些用户来说可能难以识别。它也没有包括所有可能引起混淆的哺乳动物对，也没有包括水鼠在啮齿类组中、欧亚水獭在鼬科组中以及欧洲盘羊在类似山羊的蹄类动物组中。此外，当前的测验设计防止了现场可能出现的跨组混淆（例如，河狸与水獭），这可能会高估识别难度。将物种汇总到更广泛的类别中可以减少这种偏差，并更好地反映现实世界的识别挑战，但这需要彻底改变测验设计。这样的改变将使当前设计下收集的数据与更新设计下收集的数据不兼容，从而无法联合分析现有和未来的数据。此外，测验允许同一用户多次尝试，但目前没有对此进行控制，因此无法确定用户是一次还是多次尝试。因此，我们无法探讨重复尝试是否会影响准确性估计，因此对测验结果的分析较为保守。测验也没有区分受访者是猎人还是其他自然观察者，这对于测试猎人是否在野生动物识别方面表现更好的假设很重要。最后，测验目前仅提供斯洛文尼亚语版本。所有这些局限性都将在未来得到解决。

测验并不模拟现场条件，因此其结果应被视为提供信息而非决定性的。测验可能代表了理想的识别条件（照片清晰、没有时间压力、没有跨组混淆的可能性），而许多现场观察是在光线条件较差的情况下进行的，或者从移动车辆中进行的。相反，有时实际识别可能比基于照片的识别更容易，因为还有其他线索可用（例如，大小和行为线索可能有助于区分金豺和灰狼；或者位置信息可能有助于区分石貂和松貂，或者棕兔和山兔）。用于分析测验回答的数据收集于与野生动物观察数据相同的时期（2022年7月1日至2023年6月30日）。

为了评估测验参与者的表现，我们根据他们的回答构建了所谓的混淆矩阵（附录A.2，表A2-A6）。从这些混淆矩阵中，我们为每个哺乳动物组及其内的每个物种计算了几项性能指标。计算是在Program R（R Core Team, 2024）中使用的caret包（Kuhn, 2008）完成的，而图表是使用Microsoft Excel制作的。主要性能指标见表3，其余指标见附录A.2（表A7）。所有这些指标在机器学习分类任务中都是众所周知且常用的（例如，图像识别、欺诈检测和医学诊断；Kocher和Kumar, 2021, Chadaga等人, 2023），用于评估机器学习分类器的预测性能。我们使用自助重采样方法正式测试了五个哺乳动物组之间的准确性和kappa值，以获得成对差异的95%置信区间。为了考虑成对测试之间的多重比较，我们在评估统计显著性时应用了Holm校正。

表3. 测验回答的主要性能指标
性能指标 描述
组别 准确率 [0, 100%] 所有哺乳动物组内正确识别的照片百分比
Kappa [-1, 1] 作为准确率的一种度量，但它更适合不平衡的数据集。与准确率不同，它补偿了偶然发生的正确识别——因此，它是一个经过调整的机会度量。它本质上衡量的是受访者的识别是否优于随机猜测。
物种 敏感性 [0, 100%] 物种X的照片正确识别的百分比
阳性预测值 [0, 100%] 物种X的报告正确百分比（即在照片中的动物确实属于物种X的情况下）
PPV 报告的正确性（即动物确实属于物种X的概率）

PPV很重要，因为在实践中研究人员只能看到报告，而无法看到物种的丰度。由于每次测验尝试还收集了人口统计和背景数据，我们还检查了受访者的表现是否因这些特征而有所不同。为了确保每个类别有足够的观察次数以进行统计分析并提高可解释性，我们对原始变量的类别进行了轻微修改。对于年龄变量，我们将最后四个类别（观察次数较少）合并为一个，得到一个包含四个类别的变量（18–25；26–35；36–45；46+）。对于性别变量，我们排除了空类别“其他”和只有一个观察的类别“不愿透露”，使其变为二元变量（男性/女性）。对于EduField变量，我们将原始变量“教育水平”和“学位领域”合并为一个二元变量，表示受访者是否有生物学相关的教育背景。具体来说，如果受访者拥有生物学、农业/林业或兽医科学的学位，则EduField = Bio；如果受访者完成了中等教育或拥有其他科学的学位，则EduField = Othr。有五名选择“其他”教育水平的受访者被排除在分析之外，因为不清楚他们的教育水平。关于使用类似应用程序的先前经验的二元变量类别没有修改。

我们指定了三个嵌套的逻辑广义线性混合模型（Zuur等人，2013；Zuur和Ieno，2024），其中响应变量是二元的，表示照片中的物种是否被正确识别（Yes = 1；No = 0）。基线模型仅包括主要效应，特别是分类组（五个类别）和受访者的 demographic 和背景特征。第二个（交互作用）模型还包括分类组和教育背景之间的交互作用，反映了正式的生物学相关教育背景可能对识别更具挑战性的物种（如鼬科和犬科物种）更有影响力。第三（两交互作用）模型进一步包括了分类群与使用类似应用程序的先前经验之间的交互作用，这反映了熟悉此类应用程序可能对识别那些预期识别性能较低的物种产生更强烈影响的可能性，例如因为这些应用程序可能提供野外指南或学习其他用户的机会。由于测验是完全匿名的，并且没有控制重复尝试的情况，因此无法验证所有尝试是否都是由不同的受访者完成的。因此，在广义线性混合模型（GLMM）分析中使用的受访者标识符对应于单个测验尝试，而不是唯一的受访者。因为每次测验尝试都包含同一受访者的多次（30次）照片识别，我们为测验尝试包含了一个随机截距，以解释同一尝试内响应之间的相关性。此外，由于相同的照片被呈现给了多个受访者，我们还为照片识别包含了一个随机截距，以解释某些照片中的动物比其他照片中的动物更容易或更难识别的事实。

回归分析是在Program R（R Core Team, 2024）中使用的，采用了glmmTMB包（Brooks等人，2017）。通过嵌套模型的似然比检验（stats包中的anova()函数）比较了三个候选模型，并使用信息准则作为额外的指标。基于这些比较和理论考虑，我们选择了最终模型进行推断，并使用DHARMa包（Hartig, 2022）对其进行了验证。模型验证包括基于模拟的残差诊断以及零膨胀、分散和异常值的检验。使用emmeans包（Lenth, 2023）计算了分类群内的估计边际均值和成对比较。

回归分析的结果应谨慎解读，因为一些测验尝试可能来自同一个个体，从而在观察值之间产生了未建模的依赖性。这会降低有效样本量，并可能导致低估不确定性。如果具有某些特征的受访者更常进行重复尝试，那么分类群和受访者的人口统计或背景变量的估计效应也可能存在偏差。

2.4 SRNA报告的敏感性分析
为了检验物种误识别对报告数量（即报告的野外遭遇次数）的可能影响，我们进行了敏感性分析。在分析中，我们将基于照片的野生动物测验得出的识别错误（误识别概率）应用于观察到的SRNA报告，并考虑了关于野外识别难度和猎人识别错误的各种假设。敏感性分析使我们能够在一系列假设下评估观察到的物种报告数量与预期真实遭遇数量（即实际涉及每个物种的报告野外遭遇次数）之间的差异。

观察到的报告首先按贡献者类型（猎人、自然观察者）分类，然后分为已验证和未验证的报告。如果报告附有照片或对应于捕获的动物，则被视为已验证的报告。已验证的报告被视为正确识别了物种的野外遭遇，而未验证的报告则根据测验响应的分析被概率性地重新分配到候选物种中。这种重新分配的结果是分配给每个物种的预期未验证报告数量；当与未修改的已验证报告相加时，得到了每个物种的预期真实遭遇次数。然后，将这些预期数量与观察到的SRNA报告数量进行了比较。根据关于野外识别难度和猎人识别错误的假设，我们考虑了12种可能的情景，从非常乐观到中性再到非常悲观。所有技术细节都在附录A.3中提供，连同结果表格。

我们的计算依赖于从测验中估计的识别错误。这些估计可能对测验照片库的组成敏感。此外，由于敏感性分析是基于SRNA中报告的遭遇，并且没有考虑未报告的遭遇，因此结果不应被解释为自然界中真实物种丰度的估计。

3. 结果
3.1 参与的公民科学家的物种识别潜力（测验）
野生动物识别测验共进行了111次；其中6个响应被排除（仅包含人口统计和背景信息或完成度低于50%），剩下105个测验用于分析。样本在测量的人口统计和背景变量方面是异质的（见附录A.2，表A9）。

3.2 受访者在群体和物种层面的表现
图2显示了公民科学家在识别五个哺乳动物群体中的动物时的准确性，分别用准确性和kappa性能指标表示（左右轴）。红色条形表示使用考虑重复测量数据结构（每个受访者多次识别和每张照片多次识别）的自助法获得的95%置信区间。

下载：下载高分辨率图像（435KB）
下载：下载全尺寸图像

图2. 性能指标——群体层面。红色条形表示自助法得到的95%置信区间。（关于此图例中颜色的解释，请参阅本文的网络版本。）

啮齿类动物、类似山羊的有蹄类动物和鹿科动物的识别最为成功，正确识别率在81-86%之间。犬科动物的识别也相当好（74%）。相比之下，鼬科动物是最难识别的，只有59%的正确识别率。尽管如此，它们的kappa值（0.49）表明它们的识别效果比随机猜测要好得多，随机猜测的kappa值为0.4。鼬科动物与其他所有群体的准确性存在显著差异，这与我们的假设一致。kappa值仅在鼬科动物和鹿科动物之间存在显著差异。

图3显示了受访者在物种层面的表现。与图2类似，红色条形表示自助法得到的95%置信区间，但与图2不同的是，它们不同的宽度现在表明某些估计（例如野山羊、灰狼）比其他估计（例如北山羊、红狐）更加不确定。从啮齿类动物开始，海狸的正确识别率高于水豚（92% vs 82%），但水豚的报告更为可靠（阳性预测值：94% vs 82%）。混淆最常发生在尾巴不可见的照片中。受访者能够合理地区分雌性鹿科动物（敏感性：74-89%），其中红鹿雌性最常被误认为是狍子（表A6）。对于类似山羊的有蹄类动物，分析揭示了一个有趣且令人惊讶的发现。虽然受访者能够轻松识别北山羊和阿尔卑斯山羊（敏感性分别为92%和80%），但他们错误地将42%的野山羊识别为山羊（其中大部分被识别为山羊；表A5）。有趣的是，反向误识别很少见，只有11%的阿尔卑斯山羊被误分类为野山羊。北山羊和阿尔卑斯山羊的报告是可靠的（阳性预测值分别为89%和87%），而野山羊的报告则不可靠（阳性预测值：53%）。混淆最常发生在显示幼年阿尔卑斯山羊且角较小的照片中（支持我们的假设），与我们的预期相反，混淆也发生在显示成年山羊且角较大的照片中。

下载：下载高分辨率图像（701KB）
下载：下载全尺寸图像

图3. 性能指标——物种层面。红色条形表示自助法得到的95%置信区间。（关于此图例中颜色的解释，请参阅本文的网络版本。）

在犬科动物中，正如假设的那样，红狐是唯一容易识别的物种，其报告是可靠的（敏感性：92%；阳性预测值：96%）。相比之下，外观相似的金豺和灰狼的正确识别率分别为66%和61%，并且经常被相互混淆。它们的报告相对可靠（阳性预测值分别为72%和67%）。混淆最常发生在尾巴不可见的照片中，或者显示死亡动物的照片中。

对于鼬科动物，受访者最擅长识别欧洲貂（敏感性：73%），而最不擅长识别的是黄鼠狼，只有36%的正确识别率（其他三种物种：58-64%）。黄鼠狼最常被误识别为最小鼬，反之亦然。石貂最常被误识别为松貂或黄鼠狼，松貂最常被误识别为石貂（表A4）。欧洲貂的报告最为可靠（阳性预测值：87%），其次是松貂的报告（78%）。其他三种鼬科动物的报告相当不可靠（阳性预测值分别为44%-53%）。混淆最常发生在显示路杀动物或其他死亡动物的照片中，或者在某些身体部位（例如胸部或尾巴末端）不可见的照片中。松貂在显示喉咙和胸部有白色斑块的个体照片中尤其容易被误识别。

3.3 影响正确物种识别的因素
通过逻辑广义线性混合模型（logistic GLMMs），我们调查了哪些因素影响了正确的物种识别。似然比检验比较了我们的三个嵌套混合效应逻辑模型，结果显示单交互作用模型（分类群×教育背景）相对于基线模型有边际改进（χ2 = 8.92，df = 4，p = 0.06），而双交互作用模型（加上分类群×使用类似应用程序的先前经验）相对于基线模型也有边际改进（χ2 = 14.3，df = 8，p = 0.07）。双交互作用模型并没有比单交互作用模型有更好的改进（χ2 = 5.38，df = 4，p > 0.1）。基于这些结果以及理论考虑和AIC的支持，我们选择了单交互作用模型作为最终模型进行推断（所有三个模型都在表A10中提供）。模型验证没有发现重大问题。

与上述混淆矩阵分析的结果一致，最终模型确认了不同分类群之间的识别成功率存在差异，其中鼬科动物总体上是最具挑战性的群体。基于模型的预测概率（在年龄、性别和使用类似应用程序的先前经验等变量类别上平均的估计边际均值）进一步显示，具有生物学相关教育背景的受访者与更高的识别成功率相关，但这种优势在不同分类群中的程度有所不同（表4）。对于鼬科动物，具有生物学相关教育背景的受访者正确识别照片的概率为0.73（95%渐近置信区间：0.62-0.82），而其他教育背景的受访者为0.52（95%渐近置信区间：0.39-0.64）（Δ ≈ 0.21）。教育背景对犬科动物的识别也有轻微影响（0.88 vs 0.79；Δ ≈ 0.09）。相比之下，鹿科动物、类似山羊的有蹄类动物和啮齿类动物之间的教育背景差异可以忽略不计，因为两组受访者的预测概率都很高，且95%渐近置信区间大部分重叠，如表4所示。这些结果表明，生物学相关的教育有助于识别那些整体识别成功率较低的物种分类群。

表4. 基于模型的预测正确识别概率，按分类群和教育背景划分，附带95%渐近置信区间。

教育背景
预测概率（括号内为标准误差）
95%渐近置信区间
犬科动物
生物学相关
0.882 (0.03)
0.800–0.933
其他
0.790 (0.05)
0.675–0.872
啮齿类动物
生物学相关
0.953 (0.02)
0.889–0.981
其他
0.947 (0.02)
0.880–0.977
鼬科动物
生物学相关
0.727 (0.05)
0.615–0.816
其他
0.515 (0.06)
0.391–0.637
类似山羊的有蹄类动物
生物学相关
0.897 (0.03)
0.813–0.946
其他
0.877 (0.04)
0.786–0.932
鹿科动物
生物学相关
0.895 (0.03)
0.811–0.944
其他
0.885 (0.03)
0.801–0.937

注：图2中显示的准确性是基于混淆矩阵的原始比例。这里报告的预测概率是基于边际模型的估计值，因此在数量上不可直接比较。然而，两种总结都支持关于识别难度的相同定性结论，即鼬科动物最难识别，啮齿类动物最容易识别。

从最终模型（表A10）得出的正确识别预测概率也随受访者年龄（18-25岁：0.84；26-35岁：0.93；36-45岁：0.85；46岁以上：0.81）和性别（男性：0.89；女性：0.82）而变化。相比之下，有和没有使用类似应用程序经验的受访者的预测概率相似（分别为0.85 vs 0.88）。对于这三个变量，预测概率是在所有分类群（和其他人口统计/背景变量项）上平均得出的。

3.4 SRNA野生动物观察数据
3.4.1 报告
截至2023年6月底，共有866名公民科学家在SRNA应用程序中注册（464名猎人；402名自然观察者），但只有少数人活跃（68名猎人，15%；57名自然观察者，14%）。用户提交了742份报告，其中136份（约18%）包含至少一张照片（自然观察者：291份报告，54份包含照片；猎人：451份报告，82份包含照片）。没有照片的报告被保留，并与包含照片的报告同等对待。在包含照片的报告中，没有动物被错误识别。我们发现最活跃的12%的自然观察者贡献了他们所有报告的70%，而最活跃的15%的猎人贡献了他们所有报告的78%。只有16份自然观察者的报告包含死亡动物或路杀动物，只有17份猎人的报告包含捕获的动物。这些报告包含了关于动物繁殖和/或健康状况的详细信息，以及动物的年龄（或年龄类别）、性别和/或体重。在291份自然观察者的报告中，有162份（55.7%）包含了诸如目击地点（例如，靠近道路）、动物行为（例如，红鹿在吃草）和健康状况（例如，感染疥癣的红狐）等详细信息；在434份猎人的报告中，有127份（29.3%）也包含了这些信息。猎人的评论虽然较少，但通常更为详细。

在研究期间，共报告了1633次观察结果（自然观察者：19个物种中的590次；猎人：27个物种中的1043次；见附录A.4）。斯洛文尼亚最常见的有蹄类动物是欧洲狍子，这也是两组中最常被报告的物种。阿尔卑斯山北山羊仅被自然观察者报告，而黇鹿、野猫、雷鸟、水獭、猞猁、鼬、 edible dormouse 和白鼬则仅被猎人报告。对于大多数被观察到的物种，猎人的报告次数更多。大约80%的被观察到的动物属于大约20%的被报告物种，这一模式在两组中都存在。

报告观察结果的空间分布在不同组之间存在差异（见图4和附录A.4）。自然观察者在迪纳里克和次迪纳里克地区贡献了最多的观察结果，而猎人在阿尔卑斯和次阿尔卑斯地区贡献了最多的观察结果。在阿尔卑斯和次阿尔卑斯地区，两组都最常报告狍子。在次地中海地区，猎人最常报告金豺和野猪，而自然观察者最常报告狍子。在迪纳里克和次迪纳里克地区，猎人最常报告红鹿和狍子（与自然观察者的顺序相反）。在次潘诺尼亚地区，自然观察者仅贡献了6次观察结果，而猎人最常报告狍子和野猪。

3.4.3 敏感性分析
敏感性分析的结果（总结在附录A.3中）表明，从测验中推断出的识别不确定性对五种哺乳动物组的预期真实遭遇数量有不同的影响。这些差异不仅反映了测验的表现，还反映了未验证报告的绝对数量以及组内误分类的不对称性。对于犬科动物，尽管测验表现相对较低，但由于许多金豺的报告得到了验证，并且主要混淆（即金豺和灰狼之间的混淆）相对对称，因此观察到的报告数量仍然接近预期的真实遭遇数量。对于鼬科动物，尽管测验中的误分类相对较高，观察到的报告数量也相对接近预期的真实遭遇数量。这是因为报告数量非常少，限制了概率重新分配的幅度。报告数量的较少也解释了牛科动物（即类似山羊的有蹄类动物）的敏感性较低，尽管大多数报告未经验证。尽管在测验中的识别相对准确，但由于欧洲狍子和红鹿的大量未验证报告以及该组内相对不对称的误分类，鹿科动物表现出最强的敏感性。

3.4.4 空间偏差
为了量化SRNA报告中的潜在空间偏差，我们检查了SRNA报告的密度与最近道路的距离以及与最近保护区的距离之间的关系。对于每个距离区间，密度计算为该区间内的报告数量除以斯洛文尼亚内相同距离范围内的总面积（例如，有246份报告发生在距离最近道路25米范围内，斯洛文尼亚的5059.04平方公里位于这个距离区间内，因此密度为每平方公里0.05份报告）。每个距离区间内的面积是使用ArcGIS Pro（ESRI，2025）围绕道路和保护区分别构建的缓冲区计算得出的。

图5左侧面板显示了报告密度与最近道路的距离（以米为单位）的关系，包括所有类型的道路。报告密度随着与道路距离的增加而减少，表明报告在空间上集中在道路附近。这一模式表明SRNA报告中存在空间偏差。图6进一步提供了空间偏差的证据，该图显示了OSLIS中记录的捕获个体的空间分布（用作物种存在的代理），以及四种有蹄类动物的SRNA观察结果。虽然捕获记录显示了物种存在区域的广泛空间覆盖，但SRNA观察结果似乎更集中于特定位置，可能是因为这些位置更容易到达，或者因为它们更接近最活跃的SRNA用户经常访问的位置。相比之下，图5右侧面板显示报告密度与保护区距离之间没有明显的关系。这种缺乏明显关系表明，与保护区的接近性在塑造SRNA报告活动中重要性较低。

3.4.5 报告动态和延迟时间
报告的动物遭遇次数或它们存在的迹象的数量以及活跃用户数量在月份和一天中的不同时间有所变化。图7显示了按月份（左侧面板）和小时（右侧面板）计算的每个活跃用户的报告率。

图7显示了SRNA应用程序中每月（左侧面板）和每小时（右侧面板）的报告率。左侧面板中的背景阴影表示北半球的气象季节（春季：3月1日至5月31日；夏季：6月1日至8月31日；秋季：9月1日至11月30日；冬季：12月1日至2月28/29日）。在应用程序运行的前三个月，报告率有所增加，然后在较冷的月份（2022年11月至2023年1月）减少。对于自然观察者，尽管天气寒冷，报告率的上升趋势从2月开始，并持续到研究期结束。对于猎人，报告率在3月急剧上升，并在2023年4月达到峰值。2023年5月，报告率降至与3月相似的水平，随后在6月进一步下降。两组用户在报告率随时间变化方面显示出相似的模式。最明显的峰值出现在傍晚，早晨也有一个较小的峰值。对于猎人来说，报告率在一天中的最后两个小时（即晚上10点以后）也特别高。从数据中我们还注意到，午夜到凌晨5点之间的报告数量较少（占所有报告的4.9%），这是许多在SRNA中记录的物种最活跃的时间段。

动物遭遇通常在SRNA应用程序中报告时有几天的延迟。由于应用程序要求指定遭遇的日期和时间并存储报告的日期时间，我们能够计算出平均在应用程序中报告遭遇之前过去了多少时间。平均而言，自然观察者在应用程序中报告遭遇的延迟约为四天，而猎人则为约两天。有趣的是，无照片报告和有照片报告之间的平均延迟时间有很大差异。对于自然观察者，无照片报告的平均延迟为2.5天，而有照片报告的平均延迟接近10天。对于猎人，无照片报告的平均延迟为1.6天，而有照片报告的平均延迟接近5天。

4. 讨论
多项研究表明，公民科学（CS）可以成为监测野生动物、大规模收集数据和为管理策略提供信息的有用工具（例如，Sun等人，2021年；Torre等人，2021年；Ostermann-Miyashita等人，2023年）。CS项目通常涉及具有不同领域知识的参与者，这可以通过测试或测验来评估。我们将这样的测验整合到SRNA应用程序中，以评估斯洛文尼亚的公民科学家从照片中识别野生动物物种的能力。不同分类群的识别准确性差异很大。啮齿类动物、类似山羊的有蹄类动物和鹿科动物的识别准确性很高。犬科动物的识别达到了可接受的水平，尽管金豺和灰狼经常被混淆，尤其是在照片不清晰的情况下（尾巴不可见；显示的是死动物）。正如预期的那样，鼬科动物带来了最大的挑战，因为许多受访者将白鼬和至少鼬混淆，以及石貂和松貂混淆，特别是在显示路杀或其他死动物的照片中，或者在某些身体部位不可见的情况下。松貂的误识别尤其明显，当个体有白色的喉咙和胸部斑纹时。值得注意的是，即使尾巴末端的黑色尖端（一个关键的诊断特征）清晰可见时，白鼬和至少鼬也经常被误识别。重要的是，生物学相关的教育背景提高了鼬科动物的识别成功率，对犬科动物的影响较小。令我们惊讶的是，野生山羊意外地使识别任务变得更加困难，特别是在显示幼年阿尔卑斯山北山羊和小角的照片中，以及显示成年山羊和大弯曲角的照片中。尽管测验并不模拟实际的野外条件，但它突出了误识别风险较高的分类群，并有助于解释如何解释特定分类群的未验证报告。对于未验证的路杀和死动物报告，应更加谨慎，因为动物的关键物理特征可能会因受伤或分解而改变。这些发现还有助于确定有针对性的教育活动的优先级。

为了将测验结果与观察到的SRNA报告联系起来，我们进行了敏感性分析，将测验中的识别错误应用于这些报告，并考虑了不同的野外识别难度和猎人识别错误的假设。在我们的数据中，只有鹿科动物在观察到的报告数量与相应的预期真实遭遇数量之间存在相对较大的差异（绝对值），因为报告数量较多，许多报告未经验证，并且该组内的误分类相当不对称。在其他组中，差异较小，要么是因为报告数量较少（鼬科动物、牛科动物），要么是因为主要的误分类大致是对称的（灰狼-金豺）。然而，即使对于鹿科动物，只有在悲观的情况下才会出现较大的差异，这可能不太合理，因为测验排除了成年雄性的照片，而这些雄性通常可以通过鹿角来区分。因此，更乐观的情景对于鹿科动物来说可能是最合理的，在这些情景下，观察到的报告数量与预期真实遭遇数量之间的差异仍然有限。

我们对SRNA野生动物观察数据的分析揭示了猎人和自然观察者在不同生物地理区域的报告模式以及报告物种方面的差异。猎人在阿尔卑斯和次阿尔卑斯地区贡献了最多的观察结果，这些地区也有最多的活跃猎人用户，而自然观察者在迪纳里克和次迪纳里克地区贡献了最多的观察结果，尽管那里只有十几名自然观察者活跃（见附录A.4）。猎人提供的观察记录比自然观察者更多，这可能是因为他们通常在自然环境中花费的时间更长——尤其是在夜间，动物更为活跃——并且更有可能使用热成像相机和陷阱相机。猎人较少在提交的报告中添加额外的评论，但当他们这样做时，通常会提供丰富的细节，并使用专业术语，尤其是在斯洛文尼亚最重要的猎物种群（欧洲狍子、红鹿和野猪）方面。这些发现表明，猎人和其他自然观察者提供了互补的数据，从而支持我们在SRNA中使用双界面设计的决定。我们还发现，许多用户只提交了少量的报告，这可能反映了他们对应用程序的随意使用或短期使用，而不是缺乏野生动物遭遇。两组中观察到的强烈偏斜的贡献模式反映了用户之间的显著差异，这意味着观察到的空间和时间模式主要应被解释为报告行为和数据收集强度的反映，而不是物种真实空间或时间变化的证据。这种偏斜的现象类似于著名的80/20法则或帕累托原则（Pareto, 1906；另见Rispoli等人，2014年），并与Wood等人（2011年）和August等人（2020年）的研究结果一致。此外，在SRNA应用程序中，大约80%的野生动物观察记录对应于大约20%的被报告物种。这再次证明了生态数据中的80/20法则，Rispoli等人（2014年）也在鸟类种群中记录了这一现象。

我们还研究了报告率在月份和一天中的变化情况。在较冷的月份，报告率较低，可能是因为动物活动较少，人们户外活动时间也较少。2023年4月报告率达到峰值，这可能是由于SRNA应用程序的推广以及春季天气较为温和，鼓励人们更多时间待在户外。对于猎人来说，我们没有发现报告数量在狩猎活动高峰期有明显的变化，因此将其排除为潜在的解释因素。然而，主要狩猎时期是特定于物种的，记录观察结果的概率在不同的狩猎方式（例如，从高处观察）之间可能有很大差异。物种的繁殖期似乎也不会影响报告数量。唯一的例外是欧亚獾，自然观察者主要在2月至5月期间报告其出现。

关于报告率随时间的变化，自然观察者和猎人的模式相似。最高的报告率出现在傍晚，此时公民科学家已经完成了他们的日常活动。对于猎人来说，报告率在一天中的最后两个小时也特别高，而此时自然观察者通常在家，而猎人则大多在野外进行狩猎活动。早晨也有一个小高峰，此时公民科学家即将上班、上学或开始他们的日常活动。这些小时级的模式进一步表明，SRNA数据受到公民科学家日常生活和机会的影响。

我们还发现，动物遭遇的记录经常在应用程序中延迟几天才提交。这些延迟可能反映了多种情况，如驾驶时观察到动物、现场没有互联网连接、智能手机数据套餐有限，或者需要时间详细记录遭遇等。带有照片的报告与没有照片的报告之间的平均延迟时间也有很大差异。带有照片的报告延迟时间较长，可能是因为需要额外的时间来下载、编辑、选择和上传照片。没有照片的报告延迟时间较短，可能是因为人们意识到如果没有照片，延迟提交可能会增加某些细节被遗忘的可能性（回忆偏差）。延迟可能会降低一些报告元数据的准确性，并成为数据中的另一个不确定性来源。

SRNA观察数据补充了斯洛文尼亚狩猎信息系统（OSLIS，2025年）收集的主要数据。与OSLIS不同，后者收集的是被猎杀的猎物种群个体的数据以及因其他原因死亡的个体数据（例如，交通事故、疾病、受伤或捕食），SRNA主要收集与活体动物遭遇的数据，并对所有纳入的野生动物物种给予同等重视。在应用程序中，用户根据个人偏好进行报告，而不是出于种群管理过程的要求。这可能会增加对难以发现、濒危或其他值得关注的物种的关注。值得注意的是，在2022-2024年期间（我们的研究期之外），在一个研究区域，棕熊和灰狼的存在仅通过SRNA应用程序由猎人记录下来，而通过陷阱相机或e-DNA采样未能检测到（Duni?等人，2025年）。这提供了SRNA观察数据作为其他现代非侵入性监测方法补充价值的具体例子。该应用程序还有潜力揭示新物种的出现地点，即由于环境和气候变化而扩散的物种。在斯洛文尼亚，金豺就是一个典型的例子（Poto?nik等人，2019年）。此外，该应用程序（或更广泛地说，公民科学，如Pocock等人，2024年所提出的）可以帮助收集非本地物种的存在数据，特别是入侵物种（例如水豚、麝鼠、貉），对于这些物种来说，早期发现对于立即采取管理措施至关重要。在这方面，SRNA应用程序可能有助于控制那些受益于快速报告的入侵物种。

尽管SRNA有许多优点（例如，它收集了其他数据库中系统未记录的关于繁殖潜力和健康状况的额外元数据），但一个潜在的缺点是它允许披露观察地点，这可能会暴露一些栖息地特化且在同一地点更常被观察到的物种的位置（例如海狸、水獭、北山羊）。这种披露可能会吸引大量自然爱好者前往特定地点，从而直接干扰动物（噪音、手电筒），并造成一些间接威胁，如栖息地退化。在开发SRNA应用程序时，我们因此允许用户自由选择是否向其他用户显示他们的野生动物观察地点。

关注SRNA数据集，我们注意到一些数据质量限制。除了由于自然观察者的知识和技能有限可能导致的潜在可靠性问题外，还存在空间偏差的证据。报告密度随着距离最近道路的距离增加而减少（图5），这可能也是因为靠近道路的区域可以从车辆上观察到。此外，报告集中在某些地区，而在其他地区则没有报告，尽管这些地区的物种存在已通过狩猎记录得到确认（图6）。空间偏差可能会扭曲对物种密度、丰度和栖息地偏好的认知，因此应该加以考虑。数据中也存在时间偏差的证据，因为在午夜到凌晨5点之间报告的遭遇相对较少，而这一时间段正是夜间动物最活跃的时候。这种偏差可能会扭曲对物种昼夜活动的认知，反映了基于观察者的数据的固有局限性，可以通过补充的被动监测方法（如陷阱相机）来解决。最后但同样重要的是，SRNA数据集中的大多数报告都没有照片，因此未经验证。对于SRNA应用程序中包含的许多物种来说，提供照片证据往往很困难，因为动物通常会逃跑，或者它们距离太远而无法拍摄高分辨率的照片。在这项研究中，我们也保留了没有照片的报告，承认特别是自然观察者提交的报告应谨慎处理。然而，根据最合理的参数范围进行的敏感性分析表明，个别误识别对预期物种真实遭遇数量的影响相对较小，即使大多数报告未经验证。

由于通常无法验证没有照片的报告，一些研究将分析限制在经过验证的报告上。但是，如果公民科学数据普遍缺乏照片材料，即使观察者是野生动物专家（例如猎人、生物学家、林业工作者）或观察到的野生动物物种易于识别（例如红狐、野猪或水豚），是否应该完全排除这些可靠但无法验证的报告呢？排除这些报告是有争议的，因为这可能会导致统计功效大幅降低，而不会在数据质量方面带来显著好处。我们建议，关于是否包含没有照片的报告的决定应基于对报告物种对（缺乏经验的）自然观察者的熟悉度和可识别性的系统预分析，并应根据研究区域进行调整，因为在某些区域可能只有一种相似的物种存在。

5. 结论

SRNA应用程序作为斯洛文尼亚的补充野生动物监测工具显示出潜力，前提是使用数据时要充分了解其优势和局限性。在其第一年，该应用程序通过742份报告收集了1633条观察记录，证明了吸引猎人和自然观察者参与的重要性，因为他们提供了在数量、报告物种和空间覆盖范围方面的不同数据。通过设计的基于照片的野生动物识别测验，旨在促进学习和娱乐，我们发现了哪些物种更难识别（鼬科动物、金豺、灰狼），以及哪些受访者遇到最多困难（那些没有生物学相关教育背景的人）。这些测验结果有助于更好地管理未经验证的报告（例如，通过敏感性分析），并指导未来的教育工作。

这项研究对斯洛文尼亚的野生动物管理和研究提出了三个主要启示：（1）SRNA应用程序是一个有前景的公民科学应用程序，可用于收集野生动物观察数据，可以补充狩猎信息系统中现有的数据以及其他现代方法（如陷阱相机和e-DNA采样）收集的数据；（2）SRNA应用程序显示出支持管理的潜力，特别是对于需要快速报告的情况，如入侵物种的早期发现（例如水豚）、新物种的分布扩展（例如金豺）以及重点猎物种群的繁殖/健康状况；（3）在经过验证的报告比例增加并解决关键偏差之前，SRNA应用程序数据应主要用于补充结构化监测，而不是替代结构化监测，也不应作为估计物种丰度或趋势的主要依据。

随着SRNA应用程序的不断发展，更深入的应用内培训、更强的提交照片鼓励措施以及与补充监测方案的整合可以进一步提高数据集的稳健性。这项评估为解释SRNA数据提供了透明的基准，并明确了该应用程序已经在哪些方面有助于野生动物管理，以及哪些方面需要进一步发展。

6. 手稿准备过程中生成式AI和AI辅助技术的声明

在修订过程中，作者使用了ChatGPT（版本5.2）来改进语言和可读性，并协助开发和实现用于引导分析的R代码。使用该工具/服务后，作者根据需要审查和编辑了内容，并对发表文章的内容负全责。

伦理声明

SRNA应用程序符合欧盟Primorska大学人类受试者研究伦理委员会批准的GDPR要求（https://gdpr.eu/）。

CRediT作者贡献声明

?iga Velkavrh：写作——审阅与编辑、撰写原始草稿、可视化、验证、软件、项目管理、方法论、调查、资金获取、正式分析、数据管理、概念化。

Luka Duni?：写作——审阅与编辑、撰写原始草稿、可视化、验证、软件、项目管理、方法论、调查、正式分析、数据管理、概念化。

Bo?tjan Pokorny：写作——审阅与编辑、监督、资源获取、概念化。

Hubert Poto?nik：写作——审阅与编辑、监督、资源获取。

Elena Bu?an：写作——审阅与编辑、撰写原始草稿、验证、监督、资源获取、项目管理、方法论、资金获取、概念化。

资金

本研究的主要部分和SRNA应用程序的开发是在Step Change项目下完成的，该项目获得了欧盟Horizon 2020研究和创新计划的资助，授予协议编号为101006386。该应用程序在PROCOAST项目中得到了升级，授予协议编号为101082327。我们衷心感谢斯洛文尼亚研究与创新机构（ARIS）的支持（研究项目P1-0386和P3-0314；研究项目V4-2220、V4-2223、N1-0281、N4-0350），以及斯洛文尼亚共和国农业、林业和食品部（项目V4-2220、V4-2223）。