MétaCan
Menu
Retour à la cohorte
Enregistrement W2790186141 · doi:10.1016/j.marpol.2018.01.025

Gone fishing? Intergenerational cultural shifts can undermine common property co-managed fisheries

2018· article· en· W2790186141 sur OpenAlexafffund
Jordan Tam, Kai M. A. Chan, Terre Satterfield, Gerald G. Singh, Stefan Gelcich

Notice bibliographique

RevueMarine Policy · 2018
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueCoastal and Marine Management
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesSocial Sciences and Humanities Research Council of Canada
Mots-clésFishingFisheryCommon propertyBusinessProperty (philosophy)Fisheries managementNatural resource economicsEconomicsProperty rightsBiologyMicroeconomics

Résumé

récupéré en direct d'OpenAlex

Conventional common property thinking assumes that a central goal of management is to maintain social-ecological systems in a healthy and resilient state, including maintaining the ability of communities to harvest across time and generations. Little research has been done, however, on how common property systems are affected by demographic shifts, the social status of emerging livelihoods, and the employment aspirations of users for their offspring. An empirical case study from Chile (well known for its common property fisheries) suggests that major socio-cultural shifts are now occurring, with a lack of entry by new fishers and an aging population of existing ones. These types of social and cultural changes are increasingly common through globalization and worldwide economic development, and pose significant policy challenges across broad classes of common property systems. The Chilean case reveals that community adaptive capacity can come at the expense of social-ecological common property systems, and highlights the need to consider the broader context of ‘slow’ social variables.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,022
Score d'incertitude au seuil0,043

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0030,005
Communication savante0,0030,003
Science ouverte0,0010,004
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0080,000

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,257
Écart entre enseignants0,239 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations37
Publié2018
Routes d'admission2
Résumé présentnon

Explorer davantage

Même revueMarine PolicyMême sujetCoastal and Marine ManagementTravaux en français237 207