How does the accuracy of fisher knowledge affect seahorse conservation status?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Despite a growing interest in incorporating fisher knowledge into quantitative conservation assessments, there remain practical impediments to its use. In particular, there is some debate about the accuracy of fisher knowledge. In this study, we report an attempt to quantify assumptions about how accurately fishers report past events (retrospective bias). Then we examine how the assumption we make about retrospective bias affects the characterization of changes in the fishery and extinction risk. We link fisher interviews and fisher logbooks to establish a catch rate (catch per unit of effort) trend for the history of a data‐poor, small‐scale seahorse fishery in the Philippines. We find that fishers perceive historic declines in fishing rate that are not apparent in more recent logbook trends, and the extent of the decline (and therefore extinction risk) hinges on assumptions we make about the accuracy of fisher recall. Scenarios that ignore retrospective bias result in the most severe declines and the most worrying extinction risk classifications. Furthermore, the historic baseline set by interviews suggests that relying on recent decades of data alone may underestimate extinction risk for our study species, and others that have been historically exploited. Attempting to link interviews with logbooks also illustrates differences between fisher‐derived datasets: retrospective interviews may exaggerate early fishing rates and capture less variability than logbooks. In addition to being the first seahorse fishery reconstruction, our work contributes to the emerging interest in how fisher knowledge can guide conservation assessment. Future studies that incorporate fisher knowledge into quantitative assessments require (1) clearly stated assumptions about fisher knowledge bias; (2) clear criteria to compare fisher knowledge collected with different methods; (3) evaluation of the impact of assumptions on assessments.
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.
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 | 0,001 |
| 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 | 0,001 |
| 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 découle