Integrating fishers’ knowledge research in science and management
Notice bibliographique
Résumé
Abstract Fishers' knowledge research (FKR) aims to enhance the use of experiential knowledge of fish harvesters in fisheries research, assessment, and management. Fishery participants are able to provide unique knowledge, and that knowledge forms an important part of “best available information” for fisheries science and management. Fishers' knowledge includes, but is much greater than, basic biological fishery information. It includes ecological, economic, social, and institutional knowledge, as well as experience and critical analysis of experiential knowledge. We suggest that FKR, which may in the past have been defined quite narrowly, be defined more broadly to include both fishery observations and fishers “experiential knowledge” provided across a spectrum of arrangements of fisher participation. FKR is part of the new and different information required in evolving “ecosystem-based” and “integrated” management approaches. FKR is a necessary element in the integration of ecological, economic, social, and institutional considerations of future management. Fishers' knowledge may be added to traditional assessment with appropriate analysis and explicit recognition of the intended use of the information, but fishers' knowledge is best implemented in a participatory process designed to receive and use it. Co-generation of knowledge in appropriately designed processes facilitates development and use of fishers' knowledge and facilitates the participation of fishers in assessment and management, and is suggested as best practice in improved fisheries governance.
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 | 0,046 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,010 | 0,006 |
| Études des sciences et des technologies | 0,006 | 0,020 |
| Communication savante | 0,016 | 0,017 |
| Science ouverte | 0,001 | 0,016 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 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 ».