Evaluating the roles and reach of philanthropic foundations in sustainability efforts for tuna
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Tuna fisheries provide over 5 million tonnes of seafood annually to the global market but have historically raised conservation concerns due to weak management measures and impacts on non‐target wildlife. The focus of the first environmental awareness campaigns in seafood focused on dolphin bycatch in tuna fisheries in the 1980s. Since then, the sustainable seafood movement has evolved considerably, with philanthropic foundations playing a key role as agenda‐setters and funders of work carried out by non‐governmental organizations (NGOs). Here, we used tuna as a case study and investigated how three US foundations and associated NGOs have affected tuna fisheries reform through two primary pathways: advocacy for improved fishery management at intergovernmental meetings, and engagement with fishing companies in fishery improvement projects (FIPs). We found a total of USD 28.65 million was allocated to tuna‐related work from 2013 to 2021. While each foundation had different funding profiles, 65% of all grant funds were directed to two key priority areas: market leverage and RFMO advocacy. Further, almost 60% of all funding was allocated to only three NGOs, all of which are central actors at RFMO meetings, and which are collectively engaged in over 85% of all tuna FIPs (by volume). We reflect on how this concentrated funding relates to the overarching sustainable seafood agenda of these foundations and provide recommendations to ensure financial support and objectives remain transparent and do not perpetuate inequities between tuna fishing countries.
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.
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 | 0,008 | 0,023 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle