MétaCan
Menu
Retour à la cohorte
Enregistrement W3058625809 · doi:10.3390/su12166665

Understanding Barriers in Indian Ocean Tuna Commission Allocation Negotiations on Fishing Opportunities

2020· article· en· W3058625809 sur OpenAlexaff
Hussain Sinan, Megan Bailey

Notice bibliographique

RevueSustainability · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMarine and fisheries research
Établissements canadiensDalhousie University
Organismes subventionnairesnon disponible
Mots-clésTunaNegotiationBusinessCommissionMandateLegitimacyCredibilityFisheryFisheries managementFishingPoliticsEnvironmental planningPolitical scienceGeographyFish <Actinopterygii>FinanceLaw

Résumé

récupéré en direct d'OpenAlex

Tuna Regional Fisheries Management Organizations (RFMOs) have been given an arduous mandate under the legal framework of the United Nations Fish Stocks Agreement. Member states with different interests and objectives are required to cooperate and collaborate on the conservation and management of tuna and tuna-like species, which includes the allocation of fishing opportunities. It is well understood that the main RFMO allocation disagreements are the inability to agree on a total allowable catch, the lack of willingness to accept new members, disagreement on who should bear the conservation burden, and non-compliance with national allocations owning to perceived inequities. Addressing these elements is crucial for any organization if it is to sustain its credibility stability and legitimacy. This paper identifies additional barriers facing an equitable allocation process at the Indian Ocean Tuna Commission (IOTC). These challenges are multi-faceted and include institutional, political, and scientific barriers in the ongoing allocation negotiations, and further inhibit effective negotiation and resolution adoption as a whole. After almost 10 years of negotiations, the process has progressed little, and without agreement on these barriers it will be a challenge to adopt a stable systematic allocation process.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,367
Score d'incertitude au seuil0,998

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,107
Tête enseignante GPT0,285
Écart entre enseignants0,179 · 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 tête enseignante, pas un consensus.

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

Citations31
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSustainabilityMême sujetMarine and fisheries researchTravaux en français237 207