Which fish is this? Fishers know more than 100 fish species in megadiverse tropical rivers
Notice bibliographique
Résumé
Ethnobiological studies on folk, common, or popular names that fishers use to identify fish can help improve fisheries monitoring and collaborations between fishers and researchers. This study investigates fishers’ knowledge (recognition, naming, and habitat use) on 115 and 119 fish species, respectively, in the Negro and Tapajos Rivers, two megadiverse rivers in the Brazilian Amazon, and investigates the relationship between such knowledge and fish importance to fisheries, fish abundance, and fish size. We also compared fishers’ perceptions on fisheries and fish abundance with literature data on fish harvests and fish sampling. We interviewed 16 fishers in 16 communities (one fisher per community, 8 communities along each river). These fishers recognized an average of 91 ± 10.4 species in the Negro River and 115 ± 7.2 species in the Tapajos River, but all fishers recognized 114 species in Negro and all species in Tapajos. The fishers’ knowledge of fish species was positively related to fishers’ perceptions on fish abundance, size, and importance to fisheries in the Negro, but only positively related to fish size in the Tapajos. Our results highlight the usefulness of fishers’ knowledge to providing data on use and cultural relevance of fish species in high diversity aquatic ecosystems.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,064 | 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 ».