Comparing Fisher Interviews, Logbooks, and Catch Landings Estimates of Extraction Rates in a Small-Scale Fishery
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
Researchers are turning to alternative data sources (e.g., resource user knowledge) to provide information required for wildlife management. Little is known about the reliability of data elicited from resource users relative to data obtained from user-independent approaches (e.g., observations of fish catches). We test for consensus among three methods that quantify past (1996 to 2007) seahorse catch-per-unit-effort (CPUE) for a small-scale, data-poor fishery in the Philippines: interviews with fishers about good, bad, and typical catch; fisher logbooks; and observations of catch landings. Interviews and logbooks indicated no trends in CPUE through time, consistent with results from the fisher-independent metric, catch landings. Although interview estimates of “typical” CPUE greatly exceeded “typical” observed catches and logbook estimates, interview estimates of “bad” CPUE were comparable. Catch landings estimates for a fisher in a particular year were uncorrelated to what he reported during retrospective interviews. Interviews should be used cautiously to inform specific catch targets (e.g., total allowable catches), although including interview questions about a range of catch experiences (e.g., good, bad and typical), may improve interview-derived data. Logbooks are particularly useful for capturing information about fishing expeditions that produce no fish, which are largely missed by other methods.
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 | 0,000 | 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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