Incorporating public priorities in the Ocean Health Index: Canada as a case study
Notice bibliographique
Résumé
The Ocean Health Index (OHI) is a framework to assess ocean health by considering many benefits (called 'goals') provided by the ocean provides to humans, such as food provision, tourism opportunities, and coastal protection. The OHI framework can be used to assess marine areas at global or regional scales, but how various OHI goals should be weighted to reflect priorities at those scales remains unclear. In this study, we adapted the framework in two ways for application to Canada as a case study. First, we customized the OHI goals to create a national Canadian Ocean Health Index (COHI). In particular, we altered the list of iconic species assessed, added methane clathrates and subsea permafrost as carbon storage habitats, and developed a new goal, 'Aboriginal Needs', to measure access of Aboriginal people to traditional marine hunting and fishing grounds. Second, we evaluated various goal weighting schemes based on preferences elicited from the general public in online surveys. We quantified these public preferences in three ways: using Likert scores, simple ranks from a best-worst choice experiment, and model coefficients from the analysis of elicited choice experiment. The latter provided the clearest statistical discrimination among goals, and we recommend their use because they can more accurately reflect both public opinion and the trade-offs faced by policy-makers. This initial iteration of the COHI can be used as a baseline against which future COHI scores can be compared, and could potentially be used as a management tool to prioritise actions on a national scale and predict public support for these actions given that the goal weights are based on public priorities.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,002 |
| 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 ».