Improvements to Rapfish: a rapid evaluation technique for fisheries integrating ecological and human dimensions<sup>a</sup>
Notice bibliographique
Résumé
This paper reports recent developments in Rapfish, a normative, scalable and flexible rapid appraisal technique that integrates both ecological and human dimensions to evaluate the status of fisheries in reference to a norm or goal. Appraisal status targets may be sustainability, compliance with a standard (such as the UN code of conduct for responsible fisheries) or the degree of progress in meeting some other goal or target. The method combines semi-quantitative (e.g. ecological) and qualitative (e.g. social) data via multiple evaluation fields, each of which is assessed through scores assigned to six to 12 attributes or indicators: the scoring method allows user flexibility to adopt a wide range of utility relationships. For assessing sustainability, six evaluation fields have been developed: ecological, technological, economic, social, ethical and institutional. Each field can be assessed directly with a set of scored attributes, or several of the fields can be dealt with in greater detail using nested subfields that themselves comprise multidimensional Rapfish assessments (e.g. the hierarchical institutional field encompasses both governance and management, including a detailed analysis of legality). The user has the choice of including all or only some of the available sustainability fields. For the attributes themselves, there will rarely be quantitative data, but scoring allows these items to be estimated. Indeed, within a normative framework, one important advantage with Rapfish is transparency of the rigour, quality and replicability of the scores. The Rapfish technique employs a constrained multidimensional ordination that is scaled to situate data points within evaluation space. Within each evaluation field, results may be presented as a two-dimensional plot or in a one-dimensional rank order. Uncertainty is expressed through the probability distribution of Monte-Carlo simulations that use the C.L. on each original observation. Overall results of the multidisciplinary analysis may be shown using kite diagrams that compare different locations, time periods (including future projections) and management scenarios, which make policy trade-offs explicit. These enhancements are now available in the R programming language and on an open website, where users can run Rapfish analyses by downloading the software or uploading their data to a user interface.
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 | 0,001 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».