MétaCan
Menu
Retour à la cohorte
Enregistrement W3107201744 · doi:10.2989/16085914.2020.1822774

Ten research questions to support South Africa’s Inland Fisheries Policy

2020· article· en· W3107201744 sur OpenAlexaff
Olaf L. F. Weyl, L.M. Barkhuizen, Kevin W. Christison, Tatenda Dalu, HA Hlungwani, Dean Impson, Kalyanasundaram Sankar, Nicholas E. Mandrak, Sean M. Marr, JR Sara, Nico J. Smit, Denis Tweddle, Niall Gordon Vine, Victor Wepener, Munetsi Zvavahera, IG Cowx

Notice bibliographique

RevueAfrican Journal of Aquatic Science · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueFish Ecology and Management Studies
Établissements canadiensThe Scarborough HospitalUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésFisheries lawFisheryFisheries scienceFisheries managementFisheries ResearchCorporate governanceMarine fisheriesFish <Actinopterygii>GeographyBusinessEnvironmental resource managementFishingEnvironmental scienceBiology

Résumé

récupéré en direct d'OpenAlex

South Africa is in the process of developing a National Freshwater (Inland) Wild Capture Fisheries Policy. A properly focused research strategy is essential to guide the policy development process, and thus a dedicated ‘Inland Fisheries’ workshop was convened by the South African Society for Aquatic Scientists in June 2018 to update and further develop a list of priority knowledge requirements for inland fisheries in the country. The main themes that emerged during the workshop were developed and contextualised as ten research questions. These were: (1) What is the exploitation potential of inland fisheries? (2) What are the health risks from consuming freshwater fishes? (3) Who currently uses inland fisheries and what are their harvests? (4) What can we learn from historical constraints to inland fisheries development? (5) How will governance of fisheries have to change in an evolving sectoral environment? (6) What are the options for fisheries enhancement? (7) What are the most appropriate fisheries technologies? (8) What value chains and employment opportunities are associated with inland fisheries? (9) What is the impact of water level fluctuations on fish production? (10) What are the impacts of pathogenic diseases on fish populations?

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)0,002
score de la tête « metaresearch » (Gemma)0,004
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,324
Score d'incertitude au seuil0,724

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,003
Études des sciences et des technologies0,0010,002
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,001

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.

Tête enseignante Opus0,070
Tête enseignante GPT0,320
Écart entre enseignants0,250 · 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.

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

Citations17
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAfrican Journal of Aquatic ScienceMême sujetFish Ecology and Management StudiesTravaux en français237 207