A Call for Evidence-Based Conservation and Management of Fisheries and Aquatic Resources
Notice bibliographique
Résumé
Abstract Natural resource management agencies implement conservation policies with the presumption that they are effective and of benefit to aquatic ecosystems. However, it is often difficult to decide what management action to implement and what will be most effective. Here we call for natural resource management agencies to fully adopt and implement evidence-based management (EBM) for conservation and fisheries management. We support this call by providing a primer on systematic reviews, a core tool in evidence synthesis but one that is rarely used in the context of fisheries management. We highlight the benefits and challenges associated with implementing EBM, with a particular focus on the routine decisions and management actions undertaken by natural resource practitioners. We submit that by adopting EBM, practitioners would have access to the best available evidence on the effectiveness of various management and conservation interventions, while providing defensible and credible evidence to inform decision-making processes and policies.
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 | 0,467 | 0,646 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,009 | 0,009 |
| Bibliométrie | 0,018 | 0,012 |
| Études des sciences et des technologies | 0,004 | 0,018 |
| Communication savante | 0,030 | 0,051 |
| Science ouverte | 0,009 | 0,017 |
| Intégrité de la recherche | 0,048 | 0,049 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,004 |
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 ».