Social equity indicators for a Blue Economy: Guidelines for application
Notice bibliographique
Résumé
Social equity goals are specifically stated in most new ocean management and development plans, notably those aligned with a Blue Economy that recognizes the significant and rising inequities across ocean spaces and sectors. However, the deeper significance of social equity has still not been fully integrated in policy and management practices, which often ask why it is relevant and how it can be measured in ways comparable to more familiar ecological and economic indicators. We propose a theoretical and practical framework (including examples of indicators) that builds on key concepts in critical environmental justice, antiracist and decolonial scholarships: difference (not all groups have equal opportunity, so interventions must serve the least well-off); intersectionality (people and groups have multiple self-identities); power relations (colonization has entrenched an ‘us-vs-them’ mentality); and interest convergence (goals of marginalized groups are often only pursued if they benefit the powerful). These principles are contrasted with three categories of indicators that sequentially build toward evaluating social equity goals: total outputs (what and how much do ocean sectors contribute or impact); disaggregated impacts (who shares in specific benefits and costs); and equity actions (specific actions taken to implement equitable processes and outcomes). Local, national, and intergovernmental evaluation plans can use these guidelines to clarify what aspects of development are being reflected in indicators, and what indicators need to be added for a fuller picture of outcomes that support the interests of marginalized populations across the world’s oceans.
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 | 0,000 |
| Science ouverte | 0,000 | 0,003 |
| 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 ».