Moving beyond binary metrics of compliance in small-scale fisheries
Notice bibliographique
Résumé
Compliance mediates how policies affect fisheries and the people who depend upon them for work, food, and well-being. Many of the world’s small-scale fisheries lack clear, legal rules to prevent overfishing, or are subject to conflicting rules. Where clear rules do exist, noncompliance is widespread. Binary assessments of compliance, which frequently lead to calls for increased enforcement when compliance is low, tend to overlook the insights that can be gained from understanding how and why people comply or not. An emerging two-dimensional model that distinguishes between four ideal-types of compliance offers the opportunity to understand the motivations behind problems of illegality in natural resource management. We qualitatively operationalized this two-dimensional model of compliance using interview and survey data from four cases of small-scale fisheries regulation in Costa Rica, Mexico, Honduras, and Puerto Rico. The two-dimensional model explained social-ecological outcomes like fishery sustainability and marginalization of fishers, particularly where apparent compliance disguised corruption and disengagement. The two-dimensional model also accommodated incongruence between rules and the broader aims that they serve. Ultimately, the two-dimensional diagnostic was practical and useful for identifying diverse policy levers to address illegal fishing in addition to enforcement. This work advances our understanding of links among compliance, self-governance, justice, and sustainability of the commons.
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 | 0,018 | 0,078 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,007 |
| Études des sciences et des technologies | 0,003 | 0,013 |
| Communication savante | 0,006 | 0,012 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».