Improving marine protected area governance through collaboration and co-production
Notice bibliographique
Résumé
Marine protected areas (MPAs) socio-ecological effectiveness depends on a number of management and governance elements, among which stakeholder engagement and community support play key roles. Collaborative conservation initiatives that engage stakeholders in action research and knowledge co-production processes can enhance management and governance of MPAs. To design effective strategies aimed at reconciling biodiversity conservation and management of sustainable human uses, it is key to assess how local communities respond to such initiatives and identify the set of contextual factors, institutional, local and individual, potentially affecting these responses. This paper presents the approach and results of one such initiative, spanning 6 EU countries and 11 MPAs in the Mediterranean Sea, focusing on small-scale fishers as key MPA users. Through a collaborative project, managers and fishers agreed upon specific governance interventions (e.g. increasing stakeholder engagement, engaging fishers in monitoring activities, reducing fishing efforts) to be implemented in each MPA for one year. Structured surveys queried: MPA managers on the MPA context, governance structure, feasibility and effectiveness of the tested interventions; and small-scale fishers on their perceptions of the impact of the tested interventions on a set of 9 socio-ecological variables (e.g. amount of fish caught, level of participation in decision-making, support for the MPA). Results revealed that the interventions tested were relatively feasible, effective and cost-effective. Fishers reported positive perceptions of the interventions for the 9 variables considered, especially for level of support for the MPA and for those associated with aspects of governance. Proportional odds models highlighted perceived effects are maximized under certain institutional, local and individual circumstances (e.g. old MPAs, small fisher communities, and fishers with a high proportion of income from fisheries). Findings highlight that employing good governance processes involving stakeholders may rapidly generate improved local support for conservation and provide insights for potential leverage points upon which to act to maximize perceived effectiveness and enhance support toward MPAs.
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 | 0,016 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,002 | 0,013 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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 ».