Evidence Synthesis in Recreational Fisheries Science and Management
Notice bibliographique
Résumé
Abstract Researchers have studied the behaviours of recreational fishers and conducted science to support recreational fisheries management for over 50 years, resulting in a large volume of literature. Yet, evidence users (e.g., practitioners and fishery managers) rarely have the time to sift through and reconcile the literature, leading to biased approaches from selective use of evidence. To help evidence users make sense of these studies in a manner that minimizes bias, various evidence synthesis methods can be used. However, these methods are not all robust, can themselves be subject to bias, and their uncritical use could lead to poor management decisions and outcomes. Evidence synthesis has been applied in recreational fisheries management in several contexts (e.g., to understand how social–ecological systems theory applies to recreational fisheries; to evaluate the effectiveness of angler gear choice on biological outcomes for fish or the impact of recreation angling on other taxa than fish), yet is often conducted using less rigorous, informal synthesis methodologies. By contrast, meta-analysis to support stock assessment is reasonably common, but these approaches are uncommon in recreational fisheries. Here, we briefly review the suite of evidence-synthesis methods available, consider their strengths and weaknesses, and outline key steps involved in their conduct. We explore synthesis methods including traditional narrative literature reviews, systematic maps, rapid evidence syntheses, (quantitative) meta-analysis, and systematic reviews (which often include meta-analysis). In doing so, we also briefly review past evidence syntheses on this topic and summarize ways in which evidence synthesis can be best used to support recreational fisheries management in the future.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,011 |
| Communication savante | 0,001 | 0,005 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».