Total marine fisheries extractions by country in the Baltic Sea: 1950-present
Notice bibliographique
Résumé
Director’s Foreword (Ussif Rashid Sumaila). Executive Summary (Sea Around Us). Fisheries catches from the Baltic Sea Large Marine Ecosystem: 1950-2007 (Dirk Zeller, Shawn Booth, Sarah Bale, Peter Rossing, Sarah Harper and Daniel Pauly). Denmark’s marine fisheries catches in the Baltic Sea (1950-2007) (Sarah Bale, Peter Rossing, Shawn Booth and Dirk Zeller). Catch reconstruction for Estonia in the Baltic Sea from 1950–2007 (Liane Veitch, Shawn Booth, Sarah Harper, Peter Rossing and Dirk Zeller). Baltic Sea fisheries catches for Finland (1950-2007) (Peter Rossing, Sarah Bale, Sarah Harper and Dirk Zeller). Germany’s marine fisheries catches in the Baltic Sea (1950-2007) (Peter Rossing, Cornelius Hammer, Sarah Bale, Sarah Harper, Shawn Booth and Dirk Zeller). Catch reconstruction for Latvia in the Baltic Sea from 1950-2007 (Peter Rossinga, Maris Plikshsb, Shawn Bootha, Liane Veitcha and Dirk Zeller). Catch reconstruction for Lithuania in the Baltic Sea from 1950-2007 (Liane Veitch, Sarunas Toliusis, Shawn Booth, Peter Rossing, Sarah Harper and Dirk Zeller). Poland’s fisheries catches in the Baltic Sea (1950-2007) (Sarah Balea, Peter Rossinga, Shawn Bootha, Pawel Wowkonowiczb and Dirk Zeller). Russian fisheries catches in the Baltic Sea from 1950-2007 (Sarah Harper, Sergey Shibaev, Olga Baryshnikova, Peter Rossing, Shawn Booth and Dirk Zeller). Sweden’s fisheries catches in the Baltic Sea (1950-2007) (Lo Persson).
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».