From deprivation to criminality: Reversing the trend by harnessing the Blue Economy to address criminality at sea (CAS)
Notice bibliographique
Résumé
African oceans and the resources within them contribute to coastal livelihoods and the food security of millions of African people; at the same time, these same people are most vulnerable to the adverse effects of climate change, marine pollution, illegal, unreported and unregulated fishing, piracy and armed robbery at sea, expansion of the Blue Economy sector and the overall impact of depleting oceans resources and insecurity. Understanding how they respond to their vulnerabilities could be useful for addressing maritime security threats holistically and redirecting investments, allowing for the sustainable development of the Blue Economy in a way that adheres to the conceptual definition of the concept, encompassing the improvement of economic growth while ensuring social equity and environmental conservation. This agenda-setting transdisciplinary paper combines ideas from criminology, security and development fields to explore the nexus between deprivation in coastal communities in Africa and criminality at sea and how Africa’s Blue Economy can be leveraged to reverse the trend and ensure sustainable development ashore. Grounded in the critical review of the literature and the author’s theoretical and empirical insights into the Blue Economy, ocean governance and maritime security in Africa. The paper enhances our understanding of the interplay between deprivation and criminality at sea, and how sustainable Blue Economy and maritime security can reverse this trend.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
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 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 ».