Facilitating an ecosystem approach through open data and information packaging
Notice bibliographique
Résumé
Abstract Open data that can be easily incorporated into analyses are essential for developing ecosystem approaches to marine ecological management: a common goal in fisheries policy in many countries. Although it is not always clear what constitutes an ecosystem approach, it always involves scientists working with a large variety of data and information, including data from physical and oceanographic sampling, multispecies surveys, and other sources describing human pressures. This can be problematic for analysts because these data, even when available, are often held in disparate datasets that do not necessarily correspond at appropriate temporal and spatial scales. Data can often only be obtained by specific requests to individuals in governmental agencies who are delivering on an increasing number of data requests as interest grows in practical ecosystem approach implementation. This data access model is not sustainable and hinders the momentum for ecosystem approach development. We describe a data bundling R package that makes data and climate projections available at appropriate scales to facilitate development of an ecosystem approach for the Gulf of St. Lawrence, Canada. This approach integrates closely with the present workflow of most government analysts, academics in fisheries, and scientists in private industry. The approach conforms with open data initiatives and makes data easily available globally while relieving some of the burden of data provision that can fall to some individuals in government laboratories. The structure and approach are generic, adaptable, and transferable to other regions and jurisdictions.
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 | 0,056 | 0,123 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,016 | 0,019 |
| Science ouverte | 0,005 | 0,020 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,014 |
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 ».