Editorial: Co-creating knowledge with fishers: challenges and lessons for integrating fishers’ knowledge contributions into marine science in well-developed scientific advisory systems
Notice bibliographique
Résumé
Co-creating knowledge with fishers: challenges and lessons for integrating fishers' knowledge contributions into marine science in well-developed scientific advisory systems This Research Topic on 'Co-creating knowledge with fishersintegrating fishers' knowledge contributions into marine science' brings together 16 papers from researchers and fishers who have been leading science-industry research collaboration (SIRC) across regions with well-developed scientific advisory systems.In such systems, marine science is heavily dependent on both fisheries-independent and fisheries-dependent data from statutory obligations (e.g., catch and effort data).Knowledge gaps could be addressed more fully by gathering, accessing and integrating fishers' observational and experiential knowledge.Whilst efforts to this end are gaining momentum, there are few documented examples where SIRC projects are shown to be effective in scientific assessments and to inform advisory processes.Challenges associated with integrating fishers' knowledge contributions relate to both the mechanics of the scientific advisory system and opinions on governing its integrity.Deliberate contributions from industry to science, for example through SIRC, are frequently met with questions around conflict of interest, trustworthiness and reliability, hindering their integration into/with science in support of management.This is problematic in a science-policy context where use of best available Frontiers in Marine Science frontiersin.
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 | 0,013 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,009 | 0,006 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,017 | 0,018 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,030 | 0,021 |
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 ».