MétaCan
Menu
← Retour à la cohorte
Enregistrement W3178805465 · doi:10.1139/cjfas-2020-0394

Leading or lagging: How well are climate change considerations being incorporated into Canadian fisheries management?

2021· article· en· W3178805465 sur OpenAlexafffundvenueabout
Daniel G. Boyce, Susanna Fuller, Chelsey Karbowski, Katie Schleit, Boris Worm

Notice bibliographique

RevueCanadian Journal of Fisheries and Aquatic Sciences · 2021
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMarine and fisheries research
Établissements canadiensOceans Limited (Canada)Dalhousie University
Organismes subventionnairesCanada First Research Excellence FundOcean Frontier Institute
Mots-clésFisheries managementClimate changeLaggingFisheries scienceStock assessmentEnvironmental resource managementFisheryStock (firearms)EcosystemEcosystem-based managementUncertaintyGeographyEnvironmental scienceFishingEcologyBiology

Résumé

récupéré en direct d'OpenAlex

In response to fisheries declines and delayed population recoveries, many management agencies globally are integrating alternative strategies that incorporate precautionary and ecosystem considerations, increasingly focusing on climate variability and change. Here, we quantitatively evaluate how these themes have been incorporated into the science and management plans for Canada’s fisheries by analyzing the content of 905 research and management documents published by the Fisheries and Oceans Canada (DFO) for the Atlantic and Eastern Arctic regions. We found that the precautionary approach was mentioned much more frequently (44%) than climate change (11%) or ecosystem approaches to fisheries management (1%). Of research documents that mentioned climate change, 61% contained only a single reference to it, suggesting that it is not quantitatively evaluated in the science that informs the advisory and decision-making processes. Most references to climate change in the DFO research documents expressed high uncertainty of how climate change would impact the stock dynamics. We propose explanations for this and discuss approaches for increasing the incorporation of these themes into Canada’s fishery management.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,025
score de la tête « metaresearch » (Gemma)0,081
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,074
Score d'incertitude au seuil0,540

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0250,081
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0120,024
Études des sciences et des technologies0,0140,007
Communication savante0,0150,010
Science ouverte0,0020,003
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,048
Tête enseignante GPT0,247
Écart entre enseignants0,199 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
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

Citations11
Publié2021
Routes d'admission4
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Fisheries and Aquatic Sciences→Même sujetMarine and fisheries research→Travaux en français237 207→