Fisheries decision-makers’ perspectives on the use of historical data to inform assessment and management
Notice bibliographique
Résumé
The lack of historical perspectives has hindered effective fisheries management. Historical data can help address shifted baselines in fisheries, but the process of integrating historical data into fisheries decision-making has not been clear in part because the data needs of decision-makers have not been assessed. Using Mexico as a case study, we conducted interviews with fisheries decision-makers to identify the current use of historical data, data needs, and pathways for integrating historical data into fisheries decision-making. We found that some historical data are currently used for decision-making, with the earliest archival data in use deriving from the 1850s. However, we also found that additional historical data existed for many fisheries that were not used, with an average of almost 30 years of data gap between the oldest data that exist and the oldest data used. Fisheries decision-makers described a need for six different types of historical information: catch, socioeconomic, biological, ecological, spatial and technological. Together respondents describe nine interrelated pathways to integrate historical data into fisheries decision-making both within and outside of the management structure, and identify 43 specific fisheries management contexts in which historical data would benefit decision-making. This research uses experts’ knowledge to illustrate how historical data can be used to improve fisheries management beyond the theoretical pathways and highlights the need for collaborative research to identify, collect, and apply the best available information in fisheries decision-making.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».