MétaCan
Menu
Retour à la cohorte
Enregistrement W2554870805 · doi:10.1111/fme.12187

When is a fisher (not) a fisher? Factors that influence the decision to report fishing as an occupation in rural Cambodia

2016· article· en· W2554870805 sur OpenAlexaff
Joshua Nasielski, Krishna Bahadur KC, Gareth Johnstone, E. Baran

Notice bibliographique

RevueFisheries Management and Ecology · 2016
Typearticle
Langueen
DomaineNursing
ThématiqueChild Nutrition and Water Access
Établissements canadiensUniversity of Guelph
Organismes subventionnairesnon disponible
Mots-clésFishingSubsistence agricultureCensusGeographyWelfareFisherySocioeconomicsRural areaHousehold incomeAgricultureEconomicsPopulationPolitical scienceSociologyDemographyBiology

Résumé

récupéré en direct d'OpenAlex

Abstract In the developing world, the majority of people who fish in inland areas do so primarily for subsistence needs. This suggests that survey or census questionnaires which collect information concerning the occupations of respondents will underreport the number of people who fish, and corollary to this, misrepresent dependence on fishing as a support service for food and supplemental income. This study uses the results of a household survey conducted in 37 villages across Cambodia to quantify the amount of fishing that is done by inland fishers who do not report fishing as a primary or secondary occupation. The study also identifies the household characteristics which influence the decision of an individual who fishes to report fishing as an occupation. Fifty‐eight percent of households whose members engaged in fishing activities did not report fishing as an occupation. Individuals whose household owned farmland, earned off‐farm income and fished primarily for subsistence needs were significantly less likely to report fishing as an occupation. When assessing the importance of fishing to inland rural communities for the purposes of rural planning and policy development, relying solely on census‐style occupation or employment data will misrepresent the contributions of subsistence fishing to household welfare.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,021
Score d'incertitude au seuil0,596

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,266
Écart entre enseignants0,248 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFisheries Management and EcologyMême sujetChild Nutrition and Water AccessTravaux en français237 207