Approaches for studying fish production: Do river and lake researchers have different perspectives?
Notice bibliographique
Résumé
Biased perspectives of fisheries researchers may hinder scientific progress and effective management if limiting factors controlling productivity go unrecognized. We investigated whether river and lake researchers used different approaches when studying salmonid production and whether any differences were ecologically supported. We assessed 564 peer-reviewed papers published between 1966 and 2012 that studied salmonid production or surrogate variables (e.g., abundance, growth, biomass, population) and classified them into five major predictor variable categories: physical habitat, fertility (i.e., nutrients, bottom-up), biotic, temperature, and pollution. The review demonstrated that river researchers primarily analyzed physical habitat (65% of studies) and lake researchers primarily analyzed fertility (45%) and biotic (51%) variables. Nevertheless, understudied variables were often statistically significant predictors of production for lake and river systems and, combined with other evidence, suggests that unjustified a priori assumptions may dictate the choice of independent variables studied. Broader consideration of potential limiting factors on fish production, greater research effort on understudied genera, and increased publication in broadly scoped journals would likely promote integration between lentic and lotic perspectives and improve fisheries management.
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 | 0,094 | 0,138 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,019 | 0,029 |
| Études des sciences et des technologies | 0,003 | 0,008 |
| Communication savante | 0,011 | 0,015 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».