Knowledge sharing about deep-sea ecosystems to inform conservation and research decisions
Notice bibliographique
Résumé
The Marianas Trench Marine National Monument (MNM) currently extends policy-based protection to deep-sea ecosystems contained within it, but managers require better understanding of the current knowledge and knowledge gaps about these ecosystems to guide decision-making. To address this need, we present a case study of the Marianas Trench MNM using in-depth interviews to determine scientists’ (1) current understanding of anthropogenic drivers of change and system vulnerability in deep-sea ecosystems; and (2) perceptions of the least understood deep-sea ecosystems and processes in the Marianas Trench MNM, and which of these, if any, should be research priorities to fill knowledge gaps about these systems and the impacts from anthropogenic drivers of change. Interview respondents shared similar views on the current knowledge of deep-sea ecosystems and potential anthropogenic drivers of change in the Marianas Trench MNM. Respondents also identified trench and deep pelagic (bathyal, abyssal, and hadal zones) ecosystems as the least understood, and highlighted climate change, litter and waste, mining and fishing, and interactions between these drivers of change as critical knowledge gaps. To fill key knowledge gaps and inform conservation decision-making, respondents identified the need for monitoring networks and time-series data. Our approach demonstrates how in-depth interviews can be used to elicit knowledge to inform decision-making in data-limited situations.
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 | 0,035 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,005 | 0,006 |
| Communication savante | 0,009 | 0,014 |
| Science ouverte | 0,002 | 0,010 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».