Evaluating the Feasibility of Sustainable Seafood Labelling Programmes in Small Island Developing States: A Pilot Study of Artisanal Fisheries in Seychelles
Notice bibliographique
Résumé
The Republic of Seychelles is one of six African Small Island Developing States (SIDS) and has a marine-based economy reliant on fisheries and international tourism. Seychelles has been flagged by the United Nations as highly vulnerable to climate change. Climatic threats are compounded with population declines of key fishery species. A progressive national stance towards ocean sustainability and an emerging economy partially driven by tourists are two of several factors that make Seychelles a good candidate for a sustainable seafood labelling and consumption programme, which would provide market-based incentives for fishery harvesters, regulators, buyers and consumers to improve sustainable practices. To address the feasibility of such a programme, we conducted a pilot study, surveying 33 artisanal fishers and mapping supply chain structure to examine incentives and challenges. Questions addressed fishers’ years of experience, reliance on fishing for income, and flexibility in gear type and species targeted. Of the total number of respondents, 64% would like to see a programme implemented but only 34% thought it would be successful. Participants identified several barriers and benefits that primarily spanned socioeconomic and regulatory themes. Our pilot results indicate the sociocultural and economic impacts of sustainability programmes in Seychelles are as important as environmental considerations, a finding pertinent to anyone undertaking similar research efforts in other SIDS. We advocate for the necessity of thorough, location-based research and in-depth stakeholder consultation to elucidate economic, societal, behavioural and cultural factors that will affect the success of designing and implementing seafood labelling programmes in SIDS.
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 | 0,005 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».