A will-o’-the wisp? On the utility of voluntary contributions of data and knowledge from the fishing industry to marine science
Notice bibliographique
Résumé
For future sustainable management of fisheries, we anticipate deeper and more diverse information will be needed. Future needs include not only biological data, but also information that can only come from fishers, such as real-time ‘early warning’ indicators of changes at sea, socio-economic data and fishing strategies. The fishing industry, in our experience, shows clear willingness to voluntarily contribute data and experiential knowledge, but there is little evidence that current institutional frameworks for science and management are receptive and equipped to accommodate such contributions. Current approaches to producing knowledge in support of fisheries management need critical re-evaluation, including the contributions that industry can make. Using examples from well-developed advisory systems in Europe, United States, Canada, Australia and New Zealand, we investigate evidence for three interrelated issues inhibiting systematic integration of voluntary industry contributions to science: (1) concerns about data quality; (2) beliefs about limitations in useability of unique fishers’ knowledge; and (3) perceptions about the impact of industry contributions on the integrity of science. We show that whilst these issues are real, they can be addressed. Entrenching effective science-industry research collaboration (SIRC) calls for action in three specific areas; (i) a move towards alternative modes of knowledge production; (ii) establishing appropriate quality assurance frameworks; and (iii) transitioning to facilitating governance structures. Attention must also be paid to the science-policy-stakeholder interface. Better definition of industry’s role in contributing to science will improve credibility and legitimacy of the scientific process, and of resulting management.
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 | 0,117 | 0,109 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,010 | 0,041 |
| Communication savante | 0,024 | 0,065 |
| Science ouverte | 0,003 | 0,024 |
| Intégrité de la recherche | 0,011 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,002 |
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 ».