Counting fish: a typology for fisheries catch data
Notice bibliographique
Résumé
Good decisions ideally require good data. Here, we present a straightforward typology for the broad classification of fisheries catch data. At each stage in the reporting chain, from fisher to national/international agencies, fisheries catches can be: known and reported; known and underreported; unknown and overreported; or unknown and underreported. Here, we consider largely the data reporting at the national/international level. Unfortunately, experience has shown that scientists and managers often do not know or are unconcerned with which category their data falls within a country's complete data system, or how to deal with this problem, leading to considerable implications for management. Of these four categories, the underreporting of catches seems the likeliest and most common outcome, which inevitably leads to mismanagement and misallocations of fisheries resources. Attempts to improve catch data should be undertaken, particularly via the development of catch baselines through catch reconstructions and adoption of a transparent and comprehensive country-wide expansion approach. Such an approach not only helps address shifting baselines but identifies aspects of data improvement that can be implemented in future data collection. The taxonomy presented here is a conceptual first-order analytical tool to classify data status, and hence influence management decisions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,023 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,031 | 0,035 |
| Études des sciences et des technologies | 0,005 | 0,010 |
| Communication savante | 0,012 | 0,019 |
| Science ouverte | 0,005 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».