Visualizing the social in aquaculture: How social dimension components illustrate the effects of aquaculture across geographic scales
Notice bibliographique
Résumé
Until very recently, governments of many countries, as well as their supporting organizations, have primarily addressed the biological, technical and economic aspects of aquaculture. In contrast, social and cultural aspects of aquaculture production have taken a backseat. Drawing on the observation that aquaculture development in Western Societies has largely failed to address these social effects across different scales and contexts, this paper offers a new way of capturing and visualising the diverse social dimensions of aquaculture. It does so by testing the ability to operationalise a set of social dimensions based on categories and indicators put forward by the United Nations, using several case studies across the North Atlantic. Local/regional stakeholder knowledge realms are combined with scientific expert knowledge to assess aquaculture operations against these indicators. The approach indicates that one needs to have a minimum farm size in order to have an impact of a visible scale for the different social dimension categories. While finfish aquaculture seems to be more social impactful than rope mussel farming, the latter can hold important cultural values and contribute to place-based understanding, connecting people with place and identity, thus playing a vital role in maintaining the working waterfront identity. It could be shown that aquaculture boosts a potential significant pull-factor to incentivise people to remain in the area, keeping coastal communities viable. By visualising the social effects of aquaculture, a door may be opened for new narratives on the sustainability of aquaculture that render social license and social acceptability more positive.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».