Optimizing Creel Surveys
Notice bibliographique
Résumé
Abstract The standardization of monitoring protocols across jurisdictions is a common theme in fisheries management because it provides a straightforward method for unbiased comparisons among different systems (i.e., across watersheds, lakes, states, or countries) and through time. However, in fisheries, one size rarely fits all, and as such, standard protocols must sometimes be optimized to fit the conditions of the study or management priorities. Creel surveys (i.e., the collection of socio-economic, fish, and fisheries information related to fishing trips and activities) are no exception. Further, over a long enough time, a creel survey may need modifications as the fish stock or societal conditions surrounding the fishery change. This chapter offers advice on how to measure the effectiveness of traditional creel survey protocols (e.g., stratified single-system angler interview and count surveys) and incorporate newer methods to gain additional insight into creel survey design and angler behaviour. First, we offer some practical advice on linking the mandate of fishery management with the outputs of creel surveys. Second, we introduce some approaches to improving the efficiency of the creel survey if the analyst deems the general protocol unbiased. Third, we present some approaches to identify, mitigate, and quantitatively correct biased data. Finally, we discuss how a Bayesian-based joint estimation modelling framework can combine multiple survey protocols (e.g., roving and waterbody access point, vehicle counts, and aerial angler counts) into one creel survey design.
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) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,093 | 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 ».