Learning from positive deviants in fisheries
Notice bibliographique
Résumé
Abstract Despite progress in the management of assessed fish populations, many countries lag behind international commitments to restore overexploited stocks to healthy abundances. Here we use a mixed‐methods positive deviance approach, also known as ‘bright spot’ analysis, to understand what drives the successful governance of exploited species by learning from positive outliers, or ‘deviants’. We use Canada as a case study, identifying factors driving the abundance of 230 commercially exploited fish and invertebrate populations, of which only 28% were classified at healthy abundance in 2022. We first applied a generalized linear model to test how diverse socio‐ecological fishery attributes relate to stock health. We found healthier stocks are positively and significantly correlated with certain management regions, more selective gears, eco‐certification, and high fishery value. Counterintuitively, healthier stocks were also associated with high inherent fishing vulnerability and the absence of reference points. We then used fishery expert surveys and interviews to investigate the social and institutional characteristics of stocks healthier than expected, given their circumstances. We found that fisheries targeting these positive outliers have lower conflict among users, balanced stakeholder involvement in data collection and decision‐making, and improved accounting of mortality sources. Lessons from these positive deviants can be applied to improve underperforming management systems that are struggling to reverse overexploitation in Canada and elsewhere. More generally, we suggest that a positive deviance approach, already used in public health, could be a promising tool to learn about successful fisheries management interventions, and the diverse actors responsible for ensuring these interventions are successful.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».