MétaCan
Menu
Retour à la cohorte
Enregistrement W4309010536 · doi:10.3389/fmars.2022.984354

Aquaculture over-optimism?

2022· article· en· W4309010536 sur OpenAlexafffund
U. Rashid Sumaila, Andrea Pierruci, Muhammed A. Oyinlola, Rita Cannas, Rainer Froese, Sarah M. Glaser, Jennifer Jacquet, Brooks Kaiser, Ibrahim Issifu, Fiorenza Micheli, Rosamond L. Naylor, Daniel Pauly

Notice bibliographique

RevueFrontiers in Marine Science · 2022
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAquaculture Nutrition and Growth
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesSocial Sciences and Humanities Research Council of CanadaUniversity of British Columbia
Mots-clésAquacultureAgricultureFish farmingOptimismProduction (economics)FisheryFish stockNatural resource economicsEconomic shortageFish <Actinopterygii>BusinessEconomicsEcologyBiology

Résumé

récupéré en direct d'OpenAlex

The recent rapid growth in aquaculture production reported by the United Nations Food and Agriculture Organization may have inadvertently generated what we denote here as aquaculture over-optimism. An extreme form of this is the notion that we need not worry about sustaining wild fish stocks because we can meet the global need through farming. Here we investigate whether the recent growth in aquaculture production can be maintained, and we compare aquaculture production projections with the future need for fish to find out whether aquaculture over-optimism can be justified. We show relevant evidence suggesting that aquaculture growth rates in all the cases studied have already reached their peak and have begun declining. Also, our results indicate that without wild fish, the world will face a fish food shortage of about 71 million tonnes annually by 2030, and the aquaculture production growth rate would have to be 3 times current average projected production by the FAO, the World Bank and the OECD in 2030. Finally, the current geographical distribution of farmed fish production suggests that even if aquaculture over-optimism is physically, economically, technically and ecologically feasible, its socio-economic cost to low-income coastal countries could be devastating.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Commentaire · Signal consensuel: aucune
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,026

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,003
Communication savante0,0030,002
Science ouverte0,0000,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,209
Écart entre enseignants0,200 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreCommentaire

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations38
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueFrontiers in Marine ScienceMême sujetAquaculture Nutrition and GrowthTravaux en français237 207