Co-production of knowledge and strategies to support climate resilient fisheries
Notice bibliographique
Résumé
Abstract Knowledge co-production offers a promising approach to design effective and equitable pathways to reach development goals. Fisheries Strategies for Changing Oceans and Resilient Ecosystems by 2030 (FishSCORE), a United Nations Ocean Decade programme, will co-produce knowledge that advances solutions for climate resilient fisheries through networks and partnerships that include scientists, stakeholders, practitioners, managers, and policy experts. FishSCORE will establish (1) a global network that will develop broadly relevant information and tools to assess and operationalize climate resilience in marine fisheries and (2) local and regional partnerships that will apply those tools to identify and forward context-specific resilience strategies. FishSCORE's activities will be guided by a set of core principles that include commitments to inclusivity, equity, co-leadership, co-ownership, and reciprocity. FishSCORE will focus on identifying solutions for climate resilient fisheries, and it will also advance goals associated with capacity, power, and agency that will support iterative, pluralistic approaches to decision-making in fisheries experiencing ongoing climate-driven changes. This process of co-producing knowledge and strategies requires considerable investments of time from all partners, which is well aligned with the Ocean Decade. However, secure funding must be prioritized to support and implement co-production activities over this long time horizon.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,006 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».