Editorial: Deep-sea sponge ecosystems: Knowledge-based approach towards sustainable management and conservation
Notice bibliographique
Résumé
Deep-sea sponge ecosystems: Knowledge-based approach towards sustainable management and conservation Sponge-dominated communities form a variety of habitatssponge grounds, aggregations, gardens, and reefsthat are widespread throughout the world's oceans (Maldonado et al., 2015).They are especially prevalent in upper bathyal areas within national jurisdictions (e.g.continental shelves and slopes, Klitgaard and Tendal, 2004), but also occur on seamounts, mid-ocean ridges, and canyons in areas beyond national jurisdictions (e.g.Murillo et al., 2012;Xavier et al., 2015).On account of their uniqueness, functional significance (Pham et al., 2019) and vulnerability to direct and indirect impacts from established (e.g.bottom fishing; Murillo et al., 2016) and emerging (e.g.deep-sea mining) anthropogenic activities, these habitats were listed by the Oslo-Paris Convention for the Protection of the Marine Environment of the North-East Atlantic as threatened and/or endangered (OSPAR Commission, 2008), and many are classified as Vulnerable Marine Ecosystems (VMEs -FAO, 2009).Ensuring these habitats' long-term sustainability therefore requires a sound scientific knowledge base to be brought to the highest levels of the political and conservation agendas.This Research Topic invited the international scientific community to address major knowledge gaps on deep-sea sponge habitats, with a particular focus on those in the North Atlantic and Arctic Ocean, resulting from the H2020 SponGES project 1 , but including also studies performed in the Mediterranean Sea and the Pacific Ocean.Collectively, these studies enabled:1 www.deepseasponges.
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 | 0,006 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,004 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,010 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,036 | 0,026 |
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 ».