From ocean knowledge to blue citizenship for all: bottlenecks and way forward
Notice bibliographique
Résumé
To address the current and future challenges facing the ocean, there is a need to raise wider public attention to ocean sustainability and strengthen blue citizenship, addressing both marine and freshwater in an integrated perspective from source to sea. Recent years have seen more resources allocated to both formal and informal blue education initiatives. However, to date, there exists limited understanding and focused attention on identifying the enabling conditions of blue education initiatives that lead to measurable impact. These limitations refer mainly to the identification of bottlenecks and strategies for upscaling successful initiatives and mainstreaming the “blue” into the national education systems, so that every school, child, teenager and student (as citizens and future generation leaders) are reached.This presentation assesses the state of play of blue education, building on a critical review of different blue education experiences globally, covering both the scientific and grey literature. This review highlights: (1) some of the success stories and diversity of blue education experiences in several regions across the globe (2) bottlenecks encountered by these experiences; (3) solutions or mechanisms that would help amplifying and mainstreaming blue education initiatives; (4) current knowledge gaps. Finally, this presentation gives recommendations for supporting effective integration of ‘blue’ into education initiatives and systems. It highlights also opportunities for future research and evaluation of blue education initiatives at all various scales.
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 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,013 | 0,020 |
| Communication savante | 0,025 | 0,031 |
| Science ouverte | 0,002 | 0,030 |
| Intégrité de la recherche | 0,005 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,001 |
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 ».