A mixed black and whitelist approach for wildlife trade regulation in <scp>China</scp> : <scp>Biodiversity</scp> conservation is made of shades of gray
Notice bibliographique
Résumé
Abstract The Kunming‐Montreal Global Biodiversity Framework requires effective actions to bend the curve of biodiversity loss by 2030. Wildlife trade, a direct drive of biodiversity decline, calls for more effective regulations to both protect wildlife populations in the wild and facilitate sustainable use of wildlife resources to meet human needs. This call has become particularly urgent in light of the COVID‐19 pandemic. In 2021, China's List of State Key Protected Wild Animals , a list of fauna under the strictest protection by national legislation, has been updated in the year 2021, 32 years after its first release, increasing its coverage (from the original 13%) an 11% of species across taxa. Combined with the updated List of State Protected Terrestrial Wild Animals which covers species with lower protection priority, these two national lists already cover 77% terrestrial vertebrate species of China. Such a blacklist approach, placing threatened species under a list of legal protection, is a common practice globally in species conservation. We discussed pros and cons of this dominant strategy and further explored the potential integration with a whitelist approach, listing all wildlife and only permitting regulated uses of certain species. We propose a mixed approach combining black and whitelists at different administration levels which could perhaps be first adopted in China. This is mainly due to the fact that in addition to illegal harvesting from the wild, traded wildlife in China are mostly from captive breeding and related laundering of wild‐caught animals.
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 | 0,008 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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 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 ».