MétaCan
Menu
Retour à la cohorte
Enregistrement W2958220935 · doi:10.1093/icesjms/fsz128

No fear of bankruptcy: the innate self-subsidizing forces in recreational fishing

2019· article· en· W2958220935 sur OpenAlexaff
Alf Ring Kleiven, Even Moland, U. Rashid Sumaila

Notice bibliographique

RevueICES Journal of Marine Science · 2019
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMarine and fisheries research
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesNorges ForskningsrådPew Charitable Trusts
Mots-clésFishingSubsidyRecreational fishingRecreationNatural resource economicsBankruptcyBusinessFisheryEarningsInvestment (military)EconomicsEcologyFinanceMarket economy

Résumé

récupéré en direct d'OpenAlex

Abstract Recreational fishing, by both local residents and tourists, is a popular activity globally. The behaviour and motivation of recreational fishers is different from those of commercial fishers. Unlike the latter, the former are not dependent on making profits to continue fishing. Rather, the value of recreational fishing to those who engage in it is a combination of catches and experience values. The latter value implies that recreational fishers might continue fishing when they should not, analogous to the effect of subsidy in the commercial fishing sector. Hence, the term “self-subsidizing”: a fishery as one in which fishers subsidize themselves through an economic investment in gear and time from their non-fishery-based earnings. The consequence of which is that recreational fishers can continue fishing long after the commercial fishing industry has stopped fishing because their operations have become economically unviable. There is reason to argue that in many areas, recreational fishing effort, due to the self-subsidizing mechanism, is sustained at a high rate while stocks decrease. In this contribution, we describe the innate self-subsidizing forces in recreational fishing and discuss their implications.

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)0,001
score de la tête « metaresearch » (Gemma)0,005
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 enseignants0,007
Score d'incertitude au seuil0,024

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,002
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,000

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 Opus0,012
Tête enseignante GPT0,257
Écart entre enseignants0,245 · 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

Citations22
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueICES Journal of Marine ScienceMême sujetMarine and fisheries researchTravaux en français237 207