The advantages of an audit over a census approach to the review of video imagery in fishery monitoring
Notice bibliographique
Résumé
Abstract Stanley, R. D., McElderry, H., Mawani, T., and Koolman, J. 2011. The advantages of an audit over a census approach to the review of video imagery in fishery monitoring. – ICES Journal of Marine Science, 68: 1621–1627. Technology-based fishery monitoring, or electronic monitoring (EM), has emerged as an alternative to human observers and is being applied in a variety of fisheries. The method records sensor and image data from fishing operations, so can be used to provide 100% monitoring of catches and fishing activity. Alternatively, EM can be used to audit catch data self-reported by harvesters. If the random audit indicates that these data are sufficiently accurate, they can provide useful catch estimates with less reviewing time and, hence, cost. The audit approach was adopted in the groundfish hook-and-line fishery in British Columbia, Canada, in 2006, and experience has shown that it can meet operational requirements for accuracy and timeliness. It is also more robust to the impact of equipment malfunction and can provide an independent estimate of total catch. Moreover, because catch estimates are derived from self-reported data rather than “black-box” records, the estimation process is more transparent and intuitive and, hence, more trusted by harvesters. Although cost reduction is always a primary concern, the audit approach offers significant additional benefits that should be considered in the design and implementation of EM programmes.
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 | 0,072 | 0,188 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,009 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».