MétaCan
Menu
Retour à la cohorte
Enregistrement W4250423476 · doi:10.31230/osf.io/9b6yv

Malidentifie : Comment résoudre le problème de la fraude des fruits de mer au Canada; enquête à Montréal

2019· preprint· fr· W4250423476 sur OpenAlexaboutno aff
Oceana, Sayara Thurston, Lesley Wilmot

Notice bibliographique

Revuenon disponible
Typepreprint
Languefr
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueIdentification and Quantification in Food
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésHumanitiesPolitical scienceArt

Résumé

récupéré en direct d'OpenAlex

Dans la dernière décennie, plusieurs études ont fait la lumière sur la fraude et l’étiquetage trompeur des produits de la mer à travers le monde. En 2016, Oceana a examiné plus de 200 études provenant de 55 pays; parmi plus de 25 000 échantillons de produits de la mer, un échantillon sur cinq était malidentifié. Des tests d’ADN effectués par Oceana entre 2017 et 2019 ont révélé une incidence inquiétante d’identification trompeuse : parmi 470 échantillons de produits de la mer provenant de détaillants et de restaurants dans six villes canadiennes, 47 pour cent étaient mal identifiés. Nos plus récents tests, effectués à Montréal en juillet 2019, ont démontré un taux stupéfiant d’identification trompeuse, à 61 pour cent. L’enquête nationale réalisée par Oceana Canada sur la fraude et l’étiquetage trompeur, la plus vaste en son genre jamais réalisée au Canada, a révélé des poissons d’élevage vendus sous appellation sauvage ; des espèces bon marché vendues sous l’identité d’espèces dispendieuses ; des espèces bannies dans plusieurs pays en raison de risques pour la santé humaine; et exposé les nombreuses problématiques englobant les normes de traçabilité et d’étiquetage des produits de la mer au Canada. L’étiquetage trompeur est possible à grande échelle par la complexité grandissante et le manque de transparence de la chaîne mondiale d’approvisionnement. Une fois qu’un poisson est capturé, il peut faire le tour du monde pour être transformé, traversant plusieurs frontières avant dese retrouver dans notre assiette. Les normes canadiennes d’étiquetage ne simplifient pas la situation. Bien qu’elle ait été mise à jour en 2019, notre réglementation en matière d’étiquetage demeure désuète et inutilement fastidieuse. En outre, les dispositions réglementaires en matière de traçabilité des produits de la mer sont fragmentées, et aucune agence n’est globalement responsable de leur application. Le gouvernement fédéral doit combattre ce problème généralisé. Des solutions existent : l’implantation d’une traçabilité complète, du navire à l’assiette, et d’un étiquetage exhaustif à travers la chaîne d’approvisionnement canadienne. Pour ce faire, les informations-clés de l’espèce doivent accompagner tous lesproduits de la mer, de la capture jusqu’au point de vente. Un suivi exhaustif réduira l’incidence de fraude et d’identification trompeuse, en plus de nous aider à comprendre où celles-ci surviennent et rehausser la confiance en notre système d’approvisionnement alimentaire. Ceci permettrait à l’industrie des produits de la mer d’avoir un meilleur accès au marché mondial, car plusieurs pays ont déjà des exigences strictes en matière de traçabilité. La traçabilité du bateau à l’assiette estefficace. Depuis que l’Union européenne a implanté la traçabilité de la capture jusqu’à la consommation, l’incidence de fraude a fortement diminué.12 Les États-Unis ont eux aussi implanté la traçabilité du bateau à la frontière pour les espèces à risque. Le Canada doit en faire plus. Des preuves grandissantes démontrent que la fraude des fruits de mer est un problème urgent et répandu à travers le pays, et qu’une intervention du gouvernement fédéral est nécessaire. Les Canadiens ont le droit de savoir que tous les produits de la mer vendus au Canada sont sécuritaires, identifiés honnêtement et capturés légalement.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,193
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,013
Tête enseignante GPT0,252
Écart entre enseignants0,239 · 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.

Devis d'étudeSans objet
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

Citations0
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetIdentification and Quantification in FoodTravaux en français237 207