<scp>M‐Risk</scp> : A framework for assessing global fisheries management efficacy of sharks, rays and chimaeras
Notice bibliographique
Résumé
Abstract Fisheries management is essential to guarantee sustainable capture of target species and avoid undesirable declines of incidentally captured species. A key challenge is halting and reversing declines of shark and ray species, and specifically assessing the degree to which management is sufficient to avoid declines in relatively data‐poor fisheries. While ecological risk analyses focus on intrinsic ‘productivity’ and extrinsic ‘susceptibility’, one would ideally consider the influence of ‘fisheries management’. Currently, there is no single management evaluation that can be applied to a combination of fishery types at the scale of individual country or Regional Fisheries Management Organizations (RFMOs). Here, we outline a management‐risk (M‐Risk) framework for sharks, rays and chimaeras used to evaluate species' risk of overfishing resulting from ineffective management. We illustrate our approach with application to one country (Ecuador) and RFMO (Inter‐American Tropical Tuna Commission) and illustrate the variation in scores among species. We found that while both management units assessed had similar overall scores, the scores for individual attributes varied. Ecuador scored higher in reporting‐related attributes, while the IATTC scored higher in attributes related to data collection and use. We evaluated whether the management of individual species was sufficient for their relative sensitivity by combining the management‐risk score for each species with their intrinsic sensitivity to determine a final M‐Risk score. This framework can be applied to determine which species face the greatest risk of overfishing and be used by fisheries managers to identify effective management policies by replicating regulations from countries with lower risk scores.
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 | 0,000 | 0,001 |
| 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 ».