Enhancing fisheries education and research through the Canadian Fisheries Research Network: A student perspective on interdisciplinarity, collaboration and inclusivity
Notice bibliographique
Résumé
Fisheries involve complex problems not easily addressed by a single discipline, methodology, or set of stakeholders. In 2010, the Canadian Fisheries Research Network (CFRN) was initiated to increase fisheries research capacity in Canada through interdisciplinary and inclusive research collaborations. As post-graduate students in the network, we reflected on the type of training necessary to tackle fisheries problems and reviewed opportunities available at Canadian universities to receive such training. This paper presents an overview of fisheries education currently available in Canada, reflects on our training within the CFRN, and proposes improvements to fisheries education and research. Our review of the subject revealed few dedicated fisheries programs, limited interdisciplinary programs, few specialized fisheries training programs, and a heavy reliance on academic supervisors to secure research opportunities in fisheries. In contrast, the CFRN enhanced our training by deliberately focusing on tools and techniques to address fisheries issues, providing venues to foster interdisciplinary and inclusive research collaborations, and exposing the realities of stakeholder collaborations. We call for post-graduate-level fisheries education and research that is interdisciplinary, collaborative, and inclusive to produce well-rounded scientists and managers, and we suggest ways that universities, researchers, and funding agencies can incorporate these themes into fisheries education and research.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».