Creating and Using Data Portals to Support Ocean Planning: Challenges and Best Practices from the Northeast United States and Elsewhere
Notice bibliographique
Résumé
As more ocean plans are developed and adopted around the world, the importance of accessible, up-to-date spatial data in the planning process has become increasingly apparent. Many ocean planning efforts in the United States and Canada rely on a companion data portal–a curated catalog of spatial datasets characterizing the ocean uses and natural resources considered as part of ocean planning and management decision-making.Data portals designed to meet ocean planning needs tend to share three basic characteris- tics. They are: ocean-focused, map-based, and publicly-accessible. This enables planners, managers, and stakeholders to access common sets of sector-speci c, place-based information that help to visualize spatial relationships (e.g., overlap) among various uses and the marine environment and analyze potential interactions (e.g., synergies or con icts) among those uses and natural resources. This data accessibility also enhances the transparency of the planning process, arguably an essential factor for its overall success.This paper explores key challenges, considerations, and best practices for developing and maintaining a data portal. By observing the relationship between data portals and key principles of ocean planning, we posit three overarching themes for data portal best practices: accommodation of diverse users, data vetting and review by stakeholders, and integration with the planning process. The discussion draws primarily from the use of the Northeast Ocean Data Portal to support development of the Northeast Ocean Management Plan, with additional examples from other portals in the U.S. and Canada.
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 | 0,062 | 0,057 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,009 |
| Études des sciences et des technologies | 0,008 | 0,007 |
| Communication savante | 0,018 | 0,016 |
| Science ouverte | 0,004 | 0,018 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».