Pathways for integrating historical information into fisheries decision‐making
Notice bibliographique
Résumé
Abstract Historical information has provided key insights into long‐term ecological change to marine species and ecosystems, with value to fisheries. Yet, pathways to integrate these diverse data sources into fisheries decision‐making have not been clear. Here, we identify an array of biological, ecological, and social information suitable for contemporary science‐based decision‐making, derived from local ecological knowledge, historical archives, archaeological middens and palaeoecological material. We outline two broad pathways to integrate these historical data into fisheries decision‐making, demonstrating that data‐driven use of historical information is relevant across a range of management contexts. First, historical information can inform fisheries assessments that range from simple to complex, affecting indicators of stock status. Second, it can inform estimates of biological potential and social preference, affecting the choice of fisheries reference points. Using the Caribbean Sea as an example, we illustrate these ideas with case studies representing diverse species and historical data types. Integrating historical data can improve indicators of the current state of fish populations and result in management decisions based on a more complete understanding of a potential range of variation, avoiding shifted baselines. The urgency of this work is underscored by accelerating environmental changes and the rapid loss of invaluable historical information sources. By illuminating pathways, our goal is to increase the accessibility of these types of information and to underscore that scientists, managers, and resource users have roles to play in identifying and integrating relevant long‐term data at various spatial and temporal scales to sustainably manage marine fisheries.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».