MétaCan
Menu
Retour à la cohorte
Enregistrement W2588361470 · doi:10.1080/03632415.2017.1259945

Grand Challenges in the Management and Conservation of North American Inland Fishes and Fisheries

2017· article· en· W2588361470 sur OpenAlexaff
Abigail J. Lynch, Steven J. Cooke, T. Douglas Beard, Yu‐Chun Kao, Kai Lorenzen, Andrew M. Song, Micheal S. Allen, Zeenatul Basher, David B. Bunnell, Edward V. Camp, I. G. Cowx, Jonathan A. Freedman, Vivian M. Nguyen, Joel K. Nohner, Mark W. Rogers, Zachary A. Siders, William W. Taylor, So‐Jung Youn

Notice bibliographique

RevueFisheries · 2017
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueFish Ecology and Management Studies
Établissements canadiensMcGill UniversityCarleton University
Organismes subventionnairesUniversity of Florida
Mots-clésFisheries managementFisheries lawFisheryFish stockFisheries scienceBusinessEnvironmental resource managementCorporate governanceValuation (finance)Fish <Actinopterygii>Environmental planningGeographyFishingEconomicsBiology

Résumé

récupéré en direct d'OpenAlex

Abstract Even with long-standing management and extensive science support, North American inland fish and fisheries still face many conservation and management challenges. We used a grand challenges approach to identify critical roadblocks that if removed would help solve important problems in the management and long-term conservation of North American inland fish and fisheries. We identified seven grand challenges within three themes (valuation, governance, and externalities) and 34 research needs and management actions. The major themes identified are to (1) raise awareness of diverse values associated with inland fish and fisheries, (2) govern inland fish and fisheries to satisfy multiple use and conservation objectives, and (3) ensure productive inland fisheries given nonfishing sector externalities. Addressing these grand challenges will help the broader community understand the diverse values of inland fish and fisheries, promote open forums for engagement of diverse stakeholders in fisheries management, and better integrate the inland fish sector into the greater water and land use policy process.

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 enseignants0,051
Score d'incertitude au seuil0,966

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 technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,028
Tête enseignante GPT0,215
Écart entre enseignants0,188 · 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

Citations32
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFisheriesMême sujetFish Ecology and Management StudiesTravaux en français237 207