Integrating equity and justice in marine ecosystem models: An incremental but meaningful approach
Notice bibliographique
Résumé
• We invite modellers to dare to ask different questions & bring knowledge together. • Ecosystem models should better represent the realities we see & the impact on fishers. • Equity focus leads to better advice for decision makers & more meaningful solutions. • We show 3 ways to integrate equity in ecosystem models with different difficulties. The notion of equity is a complex and multifaceted one, and it can be difficult to operationalize in a meaningful way. Nevertheless, the importance of integrating equity and justice concerns in environmental management is quickly being recognized across disciplines, including ocean sciences that have long engaged with complex dynamic systems. Ecosystem modelling approaches can be particularly helpful given their ability to incorporate a wide range of concepts, information, and management goals. However, including social equity in ecosystem models is perceived as a difficult task and most marine ecosystem models still mainly focus on fish stock and ecological dynamics and outcomes, ignoring social impacts, which risks losing opportunities to help improve the lives of fisherfolk and identify meaningful solutions. Here, we propose ways to integrate equity in ecosystem models at three different levels. From more to less demanding, we can: (1) explicitly model equity, (2) slightly adjust existing models to incorporate key human components, and (3) ask new questions with existing models. As we move along these steppingstones, we must listen and learn from community partners and social scientists on what data are needed, how to handle ‘unconventional’ data types, and what indicators are most useful. To do so, we invite other modellers to start thinking differently, dare to ask different questions, and bring knowledge together so that our ecosystem models better represent the realities we see.
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 | 0,001 | 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 | 0,008 |
| 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 ».