Quantifying uncertainty in the wild‐caught fisheries goal of the Ocean Health Index
Notice bibliographique
Résumé
Abstract Sustainability indices are proliferating, both to help synthesize scientific understanding and inform policy. However, it remains poorly understood how such indices are affected by underlying assumptions of the data and modelling approaches used to compute indicator values. Here, we focus on one such indicator, the fisheries goal within the Ocean Health Index ( OHI ), which evaluates the sustainable provision of food from wild fisheries. We quantify uncertainty in the fisheries goal status arising from the (a) approach for estimating missing data (i.e., fish stocks with no status) and (b) reliance on a data‐limited method (catch‐ MSY ) to estimate stock status (i.e., B/ B MSY ). We also compare several other models to estimate B/ B MSY , including an ensemble approach, to determine whether alternative models might reduce uncertainty and bias. We find that the current OHI fisheries goal model results in overly optimistic fisheries goal statuses. Uncertainty and bias can be reduced by (a) using a mean (vs. median) gap‐filling approach to estimate missing stock scores and (b) estimating fisheries status using the central tendency from a simulated distribution of status scores generated by a bootstrap approach that incorporates error in B/ B MSY . This multitiered approach to measure and describe uncertainty improves the transparency and interpretation of the indicator and allows us to better understand uncertainty around our OHI fisheries model and outputs for country‐level interpretation and use.
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 | 0,001 | 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».