Community knowledge as a cornerstone for fisheries management
Notice bibliographique
Résumé
The imperative to include stakeholders and rightsholders in fisheries management over the past 30 years has led to many changes in management regimes around the world, a key one being a move toward collaboration and co-management. This is reflected, for example, in Canada, where the newly revised Fisheries Act (2019, c.14, s.3) incorporates this imperative in part by citing “community knowledge” as a component in decision making for fisheries management. However, the lack of a formal definition makes it unclear what exactly is meant by “community” and when and how community knowledge can play a role in management. To investigate what community contributions to fisheries management can entail, and who these communities might include, we conducted a scoping literature review using the Scopus database to synthesize common outcomes from research on community involvement in fisheries management toward the goals of ecological, social, economic, and institutional sustainability. Enablers and barriers for successful collaborative initiatives were identified, covering conceptual, logistical, and communication-related factors. Key recommendations were compiled from a range of case studies to map a path toward full-spectrum sustainability for fisheries. From these principles and practices, we ultimately identified major considerations for the Canadian context, including the need to (1) clarify the distinction between fishing communities and the fishing industry; (2) strengthen social networks and communication channels to facilitate collective action; (3) track and transparently share successes and failures in collaborative efforts and outcomes; and (4) more explicitly consider community well-being as a fisheries management objective. From our synthesis, there are lessons to be learned for fisheries (social) scientists and managers working to enhance evidence-based fisheries management, whether within Canada or in other collaborative management settings globally.
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 | 0,029 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,007 |
| Études des sciences et des technologies | 0,016 | 0,038 |
| Communication savante | 0,025 | 0,020 |
| Science ouverte | 0,005 | 0,024 |
| Intégrité de la recherche | 0,007 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».