Climate change: A pointer to increased small-scale fisher drowning deaths
Notice bibliographique
Résumé
Drowning is an overlooked public health concern and drowning risk is dependent on environmental risk factors. The preponderance of drowning deaths occurs in low- and middle-income countries. Small-scale fishers face high occupational risk of drowning. Climate change increases the frequency and intensity of storms, thereby exacerbating fishers' risks and creating a need to examine the contribution of storms to fisher drowning deaths for the development of mitigation strategies. We examined this relationship between weather and fisher drowning deaths in Lake Victoria, which is Africa's largest lake, a site of high fishing pressure, and where climate change is predicted to increase thunderstorms. We conducted a verbal autopsy with people knowledgeable about recent fatal fisher drowning incidents to collect information about the deceased fishers and circumstances surrounding the incidents across 43 landing sites in the Kenyan shore of Lake Victoria. Semi-structured interviews with stakeholders also elucidated community perspectives on drowning risks. Fatal drownings were often attributed to bad weather (41.8%). Other risk factors, such as non-use of life jacket and navigation equipment, co-occurred with bad weather at high rates (69.5% and 67.8%, respectively) to jointly contribute to fatal drowning incidents. Such co-occurrence of risk factors indicates that actions across multiple risk factors can help mitigate the issue. Stakeholder analysis revealed a range of opportunities for improved communication of risks and action to mitigate risks across boat operators and manufacturers, as well as multiple levels of management. Across global small-scale fisheries, limited use of safety equipment and intensive fishing pressure may coincide with increases in extreme weather events, necessitating action to address current and mitigate future drowning risks to small-scale fishers.
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) | 0,004 | 0,008 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».