What makes fish vulnerable to capture by hooks? A conceptual framework and a review of key determinants
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Considerable time and money are expended in the pursuit of catching fish with hooks (e.g., handlining, angling, longlining, trolling, drumlining) across the recreational, commercial and subsistence fishing sectors. The fish and other aquatic organisms (e.g., squid) that are captured are not a random sample of the population because external (e.g., turbidity) and underlying internal variables (e.g., morphology) contribute to variation in vulnerability to hooks. Vulnerability is the probability of capture for any given fish in a given location at a given time and mechanistically explains the population‐level catchability coefficient, which is a fundamental and usually time‐varying (i.e., dynamic) variable in fisheries science and stock assessment. The mechanistic drivers of individual vulnerability to capture are thus of interest to fishers by affecting catch rates, but are also of considerable importance to fisheries managers whenever hook‐and‐line‐generated data contribute to stock assessments. In this paper, individual vulnerability to hooks is conceptualized as a dynamic state, in which individual fish switch between vulnerable and invulnerable states as a function of three interdependent key processes: an individual fish's internal state, its encounter with the gear, and the characteristics of the encountered gear. We develop a new conceptual framework of “vulnerability,” summarize the major drivers of fish vulnerability, and conclude that fish vulnerability involves complex processes. To understand vulnerability, a shift to interdisciplinary research and the integration of ecophysiology, fish ecology, fisheries ecology and human movement ecology, facilitated by new technological developments, is required.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 découle