Digital fisheries data in the Internet age: Emerging tools for research and monitoring using online data in recreational fisheries
Notice bibliographique
Résumé
Abstract Recreational fisheries are diverse in scale, scope, and participation worldwide, constituting an important ecosystem service of marine and freshwater ecosystems. Management of these socio‐ecological systems is challenged by monitoring gaps, stemming from difficulties engaging with participants, biased sampling, and insufficient resources to conduct biological or social surveys of fish and human populations. In the Internet age, online data have great potential to make a meaningful contribution to recreational fisheries research, monitoring, and management. Recreational fishers in some countries increasingly use social and other digital media to share their experiences with followers, with most data freely available to web scrapers that compile databases of text (e.g. tweets, status updates, comments), photos, videos and other media that contain information about spatiotemporal activity, sentiments towards catches/experiences, targeted and bycatch species, effort levels, and more. Although the future of recreational fisheries research, monitoring and management will likely involve more digital scraping, uptake is only just beginning and there are several challenges including tool availability/accessibility, sampling biases, and making findings relevant and usable to practitioners. Despite these challenges, we envision fisheries managers will increasingly turn towards online sources of fisheries data to supplement conventional methods. We challenge scientists to work towards continued method development and validation of various digital fisheries data tools and emphasize how biases from the online behaviour of users may complicate interpretations of these data for fisheries 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 distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».