Knowledge co-production: A pathway to effective fisheries management, conservation, and governance
Notice bibliographique
Résumé
Abstract Although it is assumed that the outcomes from scientific research inform management and policy, the so-called knowledge–action gap (i.e., the disconnect between scientific knowledge and its application) is a recognition that there are many reasons why new knowledge is not always embraced by knowledge users. The concept of knowledge co-production has gained popularity within the environmental and conservation research communities as a mechanism of bridging the gap between knowledge and action, but has yet to be fully embraced in fisheries research. Here we describe what co-production is, outline its benefits (relative to other approaches to research) and challenges, and provide practical guidance on how to embrace and enact knowledge co-production within fisheries research. Because co-production is an iterative and context-dependent process, there is no single way to do it, but there are best practices that can facilitate the generation of actionable research through respectful and inclusive partnerships. We present several brief case studies where we describe examples of where co-production has worked in practice and the benefits it has accrued. As more members of the fisheries science and management community effectively engage in co-production, it will be important to reflect on the processes and share lessons with others. We submit that co-production has manifold benefits for applied science and should lead to meaningful improvements in fisheries management, conservation, and governance.
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 | 0,070 | 0,063 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,011 | 0,054 |
| Communication savante | 0,035 | 0,041 |
| Science ouverte | 0,005 | 0,057 |
| Intégrité de la recherche | 0,015 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,003 |
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 ».