Introducing Disciplinary Perspectives and Interdisciplinary Possibilities for Understanding Recreational Fishers and Fisheries
Notice bibliographique
Résumé
Abstract Individuals from many disciplines conduct research to understand the social dimension of recreational fisheries. This diverse inquiry has produced a comprehensive understanding of the behaviours of recreational fishers, the outcomes from fishing, and the relationships among fishers, others, and the natural and human environment. The associated body of research, however, is largely disconnected across disciplines. Our goals here are to help readers understand the similarities and differences among disciplines and to identify opportunities for interdisciplinary-based research on recreational fishers. Before addressing these goals, we begin by answering basic questions: What is a discipline? What are the primary disciplines used to study recreational fishers? And what is the genealogy of research on recreational fishers? Seven key disciplines are then classified by multi-criteria related to both focus and epistemological and methodological approaches. This classification reveals clear connections among: (i) ecological science and resource economics, and to a lesser extent historical ecology; (ii) environmental history and political ecology; and (iii) behavioural economics and social psychology. We next describe and provide possible remedies for barriers that inhibit interdisciplinary research, including different epistemologies, nomenclature, and reward bias. Finally, we highlight opportunities to conduct interdisciplinary research by describing the types of benefits that each discipline can provide when conducting interdisciplinary research on recreational fisheries.
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) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,004 | 0,009 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».