Bayesian Decision‐Network Modeling of Multiple Stakeholders for Reef Ecosystem Restoration in the Coral Triangle
Notice bibliographique
Résumé
Proposals for marine conservation measures have proliferated in the last 2 decades due to increased reports of fishery declines and interest in conservation. Fishers and fisheries managers have often disagreed strongly when discussing controls on fisheries. In such situations, ecosystem-based models and fisheries-stock assessment models can help resolve disagreements by highlighting the trade-offs that would be made under alternative management scenarios. We extended the analytical framework for modeling such trade-offs by including additional stakeholders whose livelihoods and the value they place on conservation depend on the condition of the marine ecosystem. To do so, we used Bayesian decision-network models (BDNs) in a case study of an Indonesian coral reef fishery. Our model included interests of the fishers and fishery managers; individuals in the tourism industry; conservation interests of the state, nongovernmental organizations, and the local public; and uncertainties in ecosystem status, projections of fisheries revenues, tourism growth, and levels of interest in conservation. We calculated the total utility (i.e., value) of a range of restoration scenarios. Restricting net fisheries and live-fish fisheries appeared to be the best compromise solutions under several combinations of settings of modeled variables. Results of our case study highlight the implications of alternate formulations for coral reef stakeholder utility functions and discount rates for the calculation of the net benefits of alternative fisheries management options. This case study may also serve as a useful example for other decision analyses with multiple stakeholders.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».