MétaCan
Menu
Retour à la cohorte
Enregistrement W4223995304 · doi:10.1111/faf.12663

Digital fisheries data in the Internet age: Emerging tools for research and monitoring using online data in recreational fisheries

2022· article· en· W4223995304 sur OpenAlexaff
Robert J. Lennox, Valerio Sbragaglia, Knut Wiik Vollset, Lene K. Sortland, Loren McClenachan, Ivan Jarić, Meaghan L. Guckian, Keno Ferter, Andy J. Danylchuk, Steven J. Cooke, Robert Arlinghaus, William M. Twardek

Notice bibliographique

RevueFish and Fisheries · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueFish Ecology and Management Studies
Établissements canadiensCarleton UniversityOcean Networks Canada SocietyUniversity of Victoria
Organismes subventionnairesnon disponible
Mots-clésRecreationFisheries managementSocial mediaScope (computer science)BusinessThe InternetFisheryFisheries scienceScale (ratio)Recreational fishingWork (physics)Environmental resource managementData collectionData scienceFishingGeographyComputer scienceWorld Wide WebEcologyEngineeringEnvironmental science

Résumé

récupéré en direct d'OpenAlex

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 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)0,067
score de la tête « metaresearch » (Gemma)0,165
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,067
Score d'incertitude au seuil0,355

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0670,165
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0150,014
Études des sciences et des technologies0,0020,005
Communication savante0,0150,027
Science ouverte0,0030,008
Intégrité de la recherche0,0030,004
Charge utile insuffisante (le modèle a refusé de juger)0,0060,002

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 Opus0,242
Tête enseignante GPT0,359
Écart entre enseignants0,118 · 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'étudeThéorique ou conceptuel
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations85
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFish and FisheriesMême sujetFish Ecology and Management StudiesTravaux en français237 207