A framework for selecting a suite of indicators for fisheries management
Notice bibliographique
Résumé
Abstract We develop a framework for the objective selection of a suite of indicators for use in fisheries management. The framework encompasses eight steps, and provides guidance on pitfalls to be avoided at each step. Step 1 identifies user groups and their needs, featuring the setting of operational objectives, and Step 2 identifies a corresponding list of candidate indicators. Step 3 assigns weights to nine screening criteria for the candidate indicators: concreteness, theoretical basis, public awareness, cost, measurement, historic data, sensitivity, responsiveness, and specificity. Step 4 scores the indicators against the criteria, and Step 5 summarizes the results. Steps 3–5 offer technical aspects on which guidance is provided, including scoring standards for criteria and a generalized method for applying the standards when scoring individual indicators. Multi-criterion summarization methods are recommended for most applications. Steps 6 and 7 are concerned with deciding how many indicators are needed, and making the final selection of complementary suites of indicators. Ordinarily, these steps are done interactively with the users of the indicators, thus providing guidance on process rather than technical approach. Step 8 is the clear presentation to all users of the information contained. The discussion also includes the special case in which indicators are used in formal decision rules.
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 | 0,080 | 0,074 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,025 | 0,015 |
| Études des sciences et des technologies | 0,004 | 0,007 |
| Communication savante | 0,013 | 0,011 |
| Science ouverte | 0,006 | 0,007 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».