Enhancing fisheries education through the Canadian Fisheries Research Network: a student perspective on interdisciplinarity, collaboration and inclusivity
Notice bibliographique
Résumé
Fisheries sciences and management involve complex problems not easily addressed by a single set of stakeholders or methodologies from one discipline; accordingly, the Canadian Fisheries Research Network (CFRN) was initiated to increase fisheries research capacity in Canada through interdisciplinary and inclusive research collaborations. We compared the value of the CFRN students’ learning experience to that offered in traditional fisheries programs at Canadian universities in training post-graduate students to tackle complex fisheries problems. This paper presents 1) a review of the current state of fisheries education across Canada and 2) reflections on our training within the CFRN, and challenges to implementing its innovative approach to fisheries education. We found few dedicated fisheries programs in Canada and concluded that fisheries research typically relies on securing a supervisor with an interest in fisheries. In contrast, the CFRN enhanced our university training through interdisciplinary and inclusive research collaborations, and by exposure to the realities of industry, government and academics collaborating for sustainable fisheries. We propose a new approach to post-graduate level fisheries education, one that combines interdisciplinarity, collaboration, and inclusivity to produce more capable fisheries scientists and managers. Furthermore, we made recommendations on how universities, researchers, and funding agencies can successfully incorporate these themes into fisheries education.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,014 | 0,008 |
| Communication savante | 0,015 | 0,005 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».