Theme Session L – Evaluating ecosystem-based management performance: examples of success (co-sponsored by PICES)
Notice bibliographique
Résumé
<b>Book of abstracts of theme session L:</b>Evaluating ecosystem-based management performance: examples of successConveners: Alida Bundy (Canada), Janne Haugen (USA), Mark Dickey-Collas (UK/Netherlands), Xuelei Zhang (China)CM 694: Design and implementation of compensation framework for marine ecological loss based on ecosystem services: a case study in China Shang Chen, Shuai He, Tao Xia, Linhua HaoCM 704: Status and prospect of ecosystem-based fisheries management in ChinaCM 753: Handing over the ecosystem approach to fisheries (EAF) baton to the fishing industry – a possible way for South Africa to progress ecosystem-based management within the fishing sectorCM 782: Developing EBM performance measures when some objectives are more equal than othersCM 793: Quantifying ecosystem-based management efficacy: A multifaceted performance assessmentCM 868: The elephant in the room: ecosystem-based management in CanadaCM 873: Local Ecological Knowledge and Ecosystem-Based Management: Insights from the CaribbeanCM 1100: A framework and tool for assessing ecosystem-based marine spatial planningCM 1118: Test, learn, adapt: applying policy evaluation to understand the impact of ecosystem based managementCM 1137: The ICES Framework for Ecosystem-Informed Science and Advice (FEISA): risk-based integration and performance evaluation across natural and social sciencesCM 1191: Past insights for modern ecosystem-based management: what can we learn from past practices?CM 1192: Originating from Values: Ecosystem-based Management in the Vega Archipelago, NorwayCM 1218: Concept usage and ambiguity in the (Dutch) North Sea governance system for applying ecosystem-based management
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,000 |
| 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 ».