Illuminating the multidimensional contributions of small-scale fisheries
Notice bibliographique
Résumé
Sustainable development aspires to “leave no one behind”1. Even so, limited attention has been paid to small-scale fisheries (SSF) and their importance in eradicating poverty, hunger and malnutrition. Through a collaborative and multidimensional data-driven approach, we have estimated that SSF provide at least 40% (37.3 million tonnes) of global fisheries catches and 2.3 billion people with, on average, 20% of their dietary intake across six key micronutrients essential for human health. Globally, the livelihood of 1 in every 12 people, nearly half of them women, depends at least partly on small-scale fishing, in total generating 44% (US$77.2 billion) of the economic value of all fisheries landed. Regionally, Asian SSF provide fish, support livelihoods and supply nutrition to the largest number of people. Relative to the total capture of the fisheries sector (comprising large-scale and small-scale fisheries), across all regions, African SSF supply the most catch and nutrition, and SSF in Oceania improve the most livelihoods. Maintaining and increasing these multidimensional SSF contributions to sustainable development requires targeted and effective actions, especially increasing the engagement of fisherfolk in shared management and governance. Without management and governance focused on the multidimensional contributions of SSF, the marginalization of millions of fishers and fishworkers will worsen. A study aimed at revealing the role of small-scale fisheries in sustainable development shows they provide at least 40% of the global fishing catch and affect the livelihoods of 1 in 12 people in the world, among other important contributions.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,004 | 0,007 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».