MétaCan
Menu
Retour à la cohorte
Enregistrement W4393275280 · doi:10.1002/sd.2975

Indonesia's sustainable development goals in relation to curbing and monitoring the illegal wildlife trade

2024· article· en· W4393275280 sur OpenAlexaff
Vincent Nijman, Abdullah Abdullah, Esther Adinda, Ahmad Ardiansyah, Marco Campera, Jessica Chavez, Tungga Dewi, Katherine Hedger, Muhammad Ali Imron, Chris R. Shepherd, Desak Ketut Tristiana Sukmadewi, Wirdateti Wirdateti, K. A. I. Nekaris

Notice bibliographique

RevueSustainable Development · 2024
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueConservation, Biodiversity, and Resource Management
Établissements canadiensWildlife Conservation Society Canada
Organismes subventionnairesRoyal Geographical SocietyOxford Brookes UniversityPeople's Trust for Endangered SpeciesGlobal Challenges Research FundCleveland Zoological SocietyBournemouth University
Mots-clésWildlifeWildlife tradeSustainable developmentNatural resource economicsRelation (database)BusinessEnvironmental resource managementEnvironmental planningEconomicsGeographyEcologyBiologyComputer science

Résumé

récupéré en direct d'OpenAlex

Abstract Indonesia has committed to implement the sustainable development goals (SDG) by 2030 including the ending trafficking of protected species and addressing the illegal wildlife demand and supply. As such, there is a need for long‐term data on wild animal trade and its contribution to the wider economy. We initiated a long‐term monitoring programme of live civet trade in wildlife markets (120 surveys, 2010–2023). Civets are traded to be kept as exotic pets and to produce civet coffee and are a proxy for other high‐profile wildlife. We recorded 2289 civets of six species, including ones with strict regulations in place. Despite the trade being illegal, and contra to Indonesia's commitments as part of the SDG to curb this trade, it remained remarkably stable over time (numbers, species, prices). As such, Indonesia is not meeting its SDG targets that are related to curbing illegal wildlife trade and illicit financial flows.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,025

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,206
Écart entre enseignants0,198 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations18
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSustainable DevelopmentMême sujetConservation, Biodiversity, and Resource ManagementTravaux en français237 207