MétaCan
Menu
Retour à la cohorte
Enregistrement W2078818875 · doi:10.1111/j.1095-8649.2009.02466.x

Contrasting pragmatic and suffering‐centred approaches to fish welfare in recreational angling

2009· review· en· W2078818875 sur OpenAlexaff
Robert Arlinghaus, Alexander Schwab, Steven J. Cooke, I. G. Cowx

Notice bibliographique

RevueJournal of Fish Biology · 2009
Typereview
Langueen
DomaineEnvironmental Science
ThématiqueFish Ecology and Management Studies
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésRecreationFishingWelfareRecreational fishingConstructiveFish <Actinopterygii>FisheryPerspective (graphical)Public economicsEcologyBiologyEconomicsPolitical scienceComputer scienceLawProcess (computing)

Résumé

récupéré en direct d'OpenAlex

Two views dealing with fish welfare in recreational fishing are discussed in an effort to stimulate the current discourse on the topic. The pragmatic approach asks whether and how strongly recreational fishing compromises the health and fitness of individual fishes and what can be done to avoid or mitigate such effects. Its implementation rests on accepting recreational fishing as a principally legitimate activity. The second approach to fish welfare focuses on suffering and pain in fishes and is usually morally prescriptive. Its central tenet is that some or all recreational fishing practices may be unacceptable unless sufficient benefits to humans are created, which justify the supposedly cruel treatment of the fishes. The pragmatic approach to fish welfare is preferred because it relies on objectively measurable variables of impaired fish welfare (e.g. physiological, behavioural or fitness indicators) and does not question recreational fishing on moral grounds. Contrary to a suffering-centred approach to fish welfare, a pragmatic perspective emphasizes positive messages and facilitates constructive dialogue among stakeholders. In contrast, a suffering-centred approach to fish welfare tends to promote tension and enduring conflict that cannot be reconciled objectively and thus should be avoided.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,974
Score d'incertitude au seuil0,657

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,087
Tête enseignante GPT0,276
Écart entre enseignants0,189 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations67
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Fish BiologyMême sujetFish Ecology and Management StudiesTravaux en français237 207