Method evaluation and risk assessment: A framework for evaluating management strategies for data‐limited fisheries
Notice bibliographique
Résumé
Abstract Fisheries managers are in need of quantitative tools to inform decisions regarding selection of robust management practices, prioritising research gaps and stocks to focus on, particularly where there are limited resources or data. To support these decisions, the use of Management Strategy Evaluation (MSE), that is, closed loop simulation‐testing of management procedures, is widely regarded as best practice. However, applying MSE is time‐ and computationally intensive, and requires highly skilled expertise and processes for stakeholder input and peer review. For data‐ and capacity‐limited fisheries, MSE may be particularly challenging to implement. Yet, these are the contexts where it is most critical to test assumptions, evaluate the implications of all sources of uncertainty and identify the most informative data sources. To facilitate wider use of MSE, the Method Evaluation and Risk Assessment (MERA) framework was developed as an accessible online interface, with quick processing time, focused on generic data‐limited management procedures, but allowing progression to tailored and more data‐rich methods. The framework links a quantitative questionnaire and data input standard to a flexible operating model with optional customisation via command line access to the back‐end open‐source R libraries. Here, we illustrate a case study application of MERA for the bocinegro ( Pagrus pagrus , Sparidae) fishery in the Gulf of Cadiz, where in conjunction with fishery stakeholders, a custom management procedure was developed and tested and key research gaps and data collection priorities were identified. We discuss implications for wider use of MSE in various contexts, including eco‐certification and fishery improvement projects.
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 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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».