Knowledge Co-production in Recreational Fisheries Science and Management
Notice bibliographique
Résumé
Abstract Recreational fisheries need flexible approaches to knowledge production and decision support that involve interaction with stakeholders of civil society (e.g., recreational fishers, guides, conservationists), governments, and other organised and non-organised actors. Co-production of knowledge grounds research in relevant societal challenges and yields outputs that can have a transformative impact on practice, management, and governance. The term co-production is variously defined and used in the literature. We consider co-production as a process where research questions are informed by practical problems or co-developed, studies are implemented, and findings are interpreted jointly by scientists and other actors in problem-oriented ways that meet their collective interests and needs, while bridging different knowledge domains and ways of knowing. The concept shares overlap with co-design, co-creation, mode-2 science, transdisciplinary science, action research, citizen and community science, co-learning, co-assessment, and other related “co-terms,” but is not equivalent. In this chapter, we introduce and define co-production and place it in the context of research and management (and contrast it with co-management) related to recreational fisheries, laying out the aspirations, benefits, and challenges. A short narrative review of co-production work in recreational fisheries is provided. We write from a Western academic perspective on the key steps of co-production: identifying which stakeholders to include, exploring how to co-design research, determining data needs and roles, and suggesting one procedural approach. We also refer to leading methodological guidelines. We discuss the challenges and give guidance on weaving diverse visions, world views, and types and sources of knowledge and the importance of being aware of power asymmetries, roles, and (often hidden) norms and values in co-producing knowledge. The chapter concludes with three co-production case studies from recreational fisheries as examples.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,035 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,008 |
| Études des sciences et des technologies | 0,007 | 0,063 |
| Communication savante | 0,022 | 0,023 |
| Science ouverte | 0,003 | 0,027 |
| Intégrité de la recherche | 0,007 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».