Understanding How Angler Characteristics and Context Influence Angler Preferences for Fishing Sites
Notice bibliographique
Résumé
Abstract Understanding angler heterogeneity is critical for fisheries managers to be able to develop management approaches that minimize stress to fish and aquatic ecosystems while maximizing benefits to anglers. We used a stated-preference choice model of British Columbia, Canada, anglers to predict their behavioral intentions to fish at lakes described by catch-related and non-catch-related attributes, such as expected catch and travel distance. We investigated how different means of accounting for preference heterogeneity and decision context affected conclusions about angler preferences for fishing sites. Our preferred model of fishing site choice accounted for both observable and unobservable (to the researcher) preference heterogeneity for site attributes, angler characteristics (i.e., recreation specialization and residence), and context (i.e., trip duration and target species). On average, anglers’ preferences conformed to expectations, but preferences for different site attributes varied greatly among anglers and contexts. For example, highly specialized anglers were more influenced by catch rates, fish size, and bag limits and were less deterred by travel than were less-specialized anglers. Anglers facing multiple-day trip contexts were influenced more by fish size and bag limits than were anglers considering day fishing trips. This latter result is especially important, as researchers often estimate models of angler behaviors by excluding anglers that undertake multiple-day trips, who might be the most sensitive to changes in regulations and fishing quality characteristics. Received June 19, 2017; accepted September 18, 2017Published online November 10, 2017
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».