Scoping a Public Health Impact Assessment of Aquaculture with Particular Reference to Tilapia in the UK
Notice bibliographique
Résumé
Background . The paper explores shaping public health impact assessment tools for tilapia, a novel emergent aquaculture sector in the UK. This Research Council’s UK Rural Economy and Land Use project embraces technical, public health, and marketing perspectives scoping tools to assess possible impacts of the activity. Globally, aquaculture produced over 65 million tonnes of food in 2008 and will grow significantly requiring apposite global public health impact assessment tools. Methods . Quantitative and qualitative methods incorporated data from a tridisciplinary literature. Holistic tools scoped tilapia farming impact assessments. Laboratory-based tilapia production generated data on impacts in UK and Thailand along with 11 UK focus groups involving 90 consumers, 30 interviews and site visits, 9 visits to UK tilapia growers and 2 in The Netherlands. Results . The feasibility, challenges, strengths, and weaknesses of creating a tilapia Public Health Impact Assessment are analysed. Occupational and environmental health benefits and risks attached to tilapia production were identified. Conclusions . Scoping public health impacts of tilapia production is possible at different levels and forms for producers, retailers, consumers, civil society and governmental bodies that may contribute to complex and interrelated public health assessments of aquaculture projects. Our assessment framework constitutes an innovatory perspective in the field.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».