arXiv cs.AI· Steve Symes, Paul Fergus, Mark Carr, Omar McIver, Arwyn Jones·· 10 小时前AI 评分19
英国农场安全证据不足：PRISMA 综述呼吁 AI 门禁监控，但尚无实证效果
The Case for AI-Enabled Gate Monitoring as Farm Security in the UK: A PRISMA-Guided Review of the Evidence on Rural Crime, Livestock Predation and Farm Access
AI 导读
一项 PRISMA 综述检索 Web of Science 与 Scopus 共获 1,183 条记录（761 条去重），最终叙事综合 96 条数据库记录与 24 条灰色文献，发现英国同行评审证据仅 16 条。
正文 · AI 翻译
摘要：英国农场安全的证据基础比其成本所显示的更为薄弱。我们开展了一项遵循 PRISMA 指南的综述：2026 年 11 月 2 日至 4 日对 Web of Science 和 Scopus 进行十二次检索，返回 1,183 条记录（761 条去重后），灰色文献和手工检索又补充了 35 个经评估的来源。我们以叙述性方式综合了 96 条数据库记录和 24 个灰色来源。英国同行评审证据很少（16 条记录），而英国关于犯罪与农民心理健康的主要调查仅有 80 份回复。成本估算依赖保险公司理赔数据：NFU Mutual 估计 2025 年英国乡村犯罪造成 4150 万英镑损失，其中牲畜盗窃上升近 30% 至约 450 万英镑，狗袭击牲畜造成 195 万英镑损失。英国内政部表示，其核心数据无法单独识别农业犯罪。我们未发现对摄像头、传感器、追踪器或标记的独立评估；在一项关于防捕食干预措施的系统综述中，光和声音威慑在 1 至 5 个月内失效；也没有研究考察农场大门被敞开的频率及其后果。在我们找到的记录中，相机陷阱 AI 论文报告的是生态数据集上的准确率，没有一项是在农场大门处；在一项比较中，机器学习检测到 41% 的野生动物，而分析人员为 81%。我们论证——这是基于上述空白作出的推断，而非已证明的效果——像 Fieldmark AI 中所实现的那种持续的、大门层面的 AI 介导监测，将对英国农场安全大有裨益。它将创建没有任何官方来源持有的农场层面、带时间戳的记录，核实周期性人工检查所遗漏的事件，判定是狐狸、狗还是人所为，并为其他每一项安全措施提供可供检验的基准。目前尚无研究表明它能减少损失，我们提出了证明这一点所需的评估方案。
| 评论： | 关键词：农场安全；乡村犯罪；牲畜捕食；相机陷阱；计算机视觉；PRISMA；证据综述 |
| 主题： | 计算机视觉与模式识别 (cs.CV)；人工智能 (cs.AI) |
| 引用为： | arXiv:2611.13933 [cs.CV] |
| （或 arXiv:2611.13933v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.13933 由 DataCite 颁发 arXiv DOI（待注册） |
提交历史
来自：Stephen Symes Dr [查看电子邮件]
[v1]
2026 年 11 月 10 日星期二 11:20:39 UTC（769 KB）
来源：arXiv cs.AI · arxiv.org