Four ways blue foods can help achieve food system ambitions across nations
Notice bibliographique
Résumé
Abstract Blue foods, sourced in aquatic environments, are important for the economies, livelihoods, nutritional security and cultures of people in many nations. They are often nutrient rich 1 , generate lower emissions and impacts on land and water than many terrestrial meats 2 , and contribute to the health 3 , wellbeing and livelihoods of many rural communities 4 . The Blue Food Assessment recently evaluated nutritional, environmental, economic and justice dimensions of blue foods globally. Here we integrate these findings and translate them into four policy objectives to help realize the contributions that blue foods can make to national food systems around the world: ensuring supplies of critical nutrients, providing healthy alternatives to terrestrial meat, reducing dietary environmental footprints and safeguarding blue food contributions to nutrition, just economies and livelihoods under a changing climate. To account for how context-specific environmental, socio-economic and cultural aspects affect this contribution, we assess the relevance of each policy objective for individual countries, and examine associated co-benefits and trade-offs at national and international scales. We find that in many African and South American nations, facilitating consumption of culturally relevant blue food, especially among nutritionally vulnerable population segments, could address vitamin B 12 and omega-3 deficiencies. Meanwhile, in many global North nations, cardiovascular disease rates and large greenhouse gas footprints from ruminant meat intake could be lowered through moderate consumption of seafood with low environmental impact. The analytical framework we provide also identifies countries with high future risk, for whom climate adaptation of blue food systems will be particularly important. Overall the framework helps decision makers to assess the blue food policy objectives most relevant to their geographies, and to compare and contrast the benefits and trade-offs associated with pursuing these objectives.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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.
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 ».