MétaCan
Menu
Retour à la cohorte
Enregistrement W4393680468 · doi:10.5281/zenodo.8321911

Small_Scale_Fishery_ Fish2Sustainability _Data_2023

2023· dataset· en· W4393680468 sur OpenAlexaboutno aff
Marc Léopold, Rachel Bitoun

Notice bibliographique

RevueZenodo (CERN European Organization for Nuclear Research) · 2023
Typedataset
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueFood Industry and Aquatic Biology
Établissements canadiensnon disponible
Organismes subventionnairesAgence Nationale de la Recherche
Mots-clésScale (ratio)FisheryEnvironmental scienceGeographyCartographyBiology

Résumé

récupéré en direct d'OpenAlex

Dataset name - World_ IRD_ Small_Scale_Fishery_Data_2023 Title: Qualitative Data on 61 Small-Scale Fisheries: A socio-ecological rapid appraisal applied to cases from Colombia, Ecuador, France, Kenya, Madagascar, Mexico, and Nigeria. Description This dataset was created for the Fish2Sustainability research project, which aims to evaluate how small-scale fisheries (SSF) contribute to Sustainable Development Goals (SDGs). The dataset includes 61 case studies across seven countries and was developed using a rapid appraisal framework. The framework includes a four-step process: Identifying specific SDG targets influenced by SSF; Extracting relevant variables from UN indicators; Gathering expert input via a questionnaire to score these variables; Creating composite indicators to measure SSF performance against SDGs. The dataset contains raw data from step 3, case study details, variable scores, and comments from data collectors (contributing authors). The dataset is valuable for researchers interested in small-scale fisheries and socio-ecological systems. By incorporating expert judgments from individuals with expertise in SSF, particularly in data-poor contexts, the dataset offers a wealth of knowledge for conducting comparative analyses across different contexts. Authors Léopold, M.1, Bitoun, R.E.2, Chuenpagdee, R.3, Fondo, E.N.4, Akintola, S.L.5, Bach, P.6, Frangoudes, K.7, Gaibor, N.8, Gutierrez-Cala, L.9, Massey, Y.6, Randrianandrasana, R.10, Razanakoto, T.10, Saavedra-Díaz, L.M.9, Salas, S.11, Devillers, R.2, 3 Affiliations 1 ENTROPIE (IRD, University of La Reunion, CNRS, University of New Caledonia, Ifremer), c/o IUEM, Plouzané, France 2 Espace-Dev (IRD, Univ. Montpellier, Univ. Guyane, Univ. La Réunion, Univ. Antilles, Univ. Nouvelle Calédonie), Montpellier, France 3 Department of Geography, Memorial University of Newfoundland, St. John’s, NL, Canada 4 Kenya Marine and Fisheries Research Institute (KMFRI), Mombasa, Kenya 5 Department of Fisheries, Faculty of Science, Lagos State University, Lagos, Nigeria 6 MARBEC (University of Montpellier, CNRS, Ifremer, IRD), Sète, France 7 Université de Bretagne Occidentale, Brest, France 8 Instituto Público de Investigación de Acuicultura y Pesca (IPIAP), Universidad del Pacifico (UPAC), Guayaquil, Ecuador 9 Grupo de Investigación en Sistemas Socioecológicos para el Bienestar Humano (GISSBH), Programa de Biología, Universidad del Magdalena, Colombia 10 Centre d’Etudes et de Recherches Economiques pour le Développement (CERED), Université d’Antananarivo, Madagascar 11 Centro de Investigación y de Estudios Avanzados (CINVESTAV), IPN, Unidad Mérida, Mexico Method Case studies were selected in seven countries by national SSF experts, based on specific criteria and research priorities. Case studies were not selected to represent the full diversity of SSF globally or even nationally. Instead, they were chosen to capture a range of fisheries that could showcase different contributions to SDGs. SSFs were defined based on various characteristics, such as resources harvested, gear used, and location of the fishery. Geographical Coverage 61 small-scale fisheries located in seven countries are documented in the data: Colombia (4 case studies) – Caribe: La Guajira, San Andrés y Providencia; Pacifico: Chocó, Cauca, Valle del Cauca, Nariño. Ecuador (3) – Region: Esmeraldas, Manabi, Guayas, El Oro. France (2) – Region: Bretagne, Occitanie. Kenya (24) – County: Kilifi, Kwale, Lamu, Mombasa, Tana River. Madagascar (20) – Region: Analanjirofo, Anosy, Atsimo Andrefana, Boeny, Diana, Menabe, Vatovavy Fitovinany. Mexico (2) – State: Baja California Sur, Campeche, Yucatan. Nigeria (6) – State: Bayelsa, Cross River, Lagos, Ondo, Ogun. Data Collection Data collection took place from November 30, 2022, to July 3, 2023, spanning approximately seven months. The data presented serve as a snapshot of the conditions within a specific small-scale fishery during the assessment period. To consider the evolution of trends such as exports, economic growth, and income, we considered any relevant variables over the past decade. Data collection approaches varied depending on the context, and data collectors received training to ensure survey consistency. We used primary data sources such as interviews, observations, and measurements whenever possible. In cases where resources were limited, we preferred secondary sources such as existing datasets and literature. Our methods were standardized, but data collectors could adjust them based on their resources. We primarily used direct observation, focus groups, and interviews to collect data. Scoring in interviews and focus groups was done directly or through group analysis by interviewers. Disagreements were resolved through additional interviews or group discussions, with secondary data used if needed. Ethics Participants had the option to join of their own accord, were fully briefed on the research goals, and were given the opportunity to review interview guidelines before proceeding. Depending on the circumstances, interviews could last 45 minutes to 4.5 hours. Participants were guaranteed confidentiality and anonymity in the handling and reporting of their data. Suggested citation Léopold, M., Bitoun, R.E., Chuenpagdee, R., Fondo, E.N., Akintola, S.L., Bach, P., Frangoudes, K., Gaibor, N., Gutierrez-Cala, L., Massey, Y., Randrianandrasana, R., Razanakoto, T., Saavedra-Díaz, L.M., Salas, S., Devillers, R. (2023). World_ IRD_ Small_Scale_Fishery_Data_2023 [Data set]. DOI: 10.5281/zenodo.8321911 Data Files The dataset includes the following: The raw dataset (.xls format). A data dictionary describing and defining each dataset column (.xls format).

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)0,002
score de la tête « metaresearch » (Gemma)0,017
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Jeu de données · Signal consensuel: Jeu de données
Score de désaccord entre enseignants0,093
Score d'incertitude au seuil0,312

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,017
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,007
Études des sciences et des technologies0,0010,000
Communication savante0,0020,001
Science ouverte0,0020,002
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0930,035

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 Opus0,064
Tête enseignante GPT0,245
Écart entre enseignants0,181 · 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'étudeSans objet
Domainenon disponible
GenreJeu de données

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

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueZenodo (CERN European Organization for Nuclear Research)Même sujetFood Industry and Aquatic BiologyTravaux en français237 207