The practical use of ecosystem indicators for decision-making
Notice bibliographique
Résumé
No abstracts are to be cited without prior reference to the author.Conveners: Jamie C. Tam (Canada), Alida Bundy (Canada), Laura Uusitalo (Finland), Annukka Lehikoinen (Finland).CM 2017/H:162. Indicators for Ecosystem-Based Fisheries Management: 20 years of research. Alida Bundy, Lynne Shannon, Ekin Akoglu, Daniela Banaru, Marta Coll, Caihong Fu, Beth Fulton, Arnaud Gruss, Cecelie Hansen, Ghassen Halouani, Sigrid Lehuta, Ricardo Oliveros Ramos, Morgane Travers-Trolet, Yunne Jae ShinCM 2017/H:537. Defining ecosystem thresholds for human activities and environmental pressures in the California Current. Jameal F. Samhouri, Kelly S. Andrews, Gavin Fay, Chris J. Harvey, Elliott L. Hazen, Shannon M. Hennessey, Kirstin Holsman,Mary E. Hunsicker, Scott I. Large, Kristin N. Marshall, Adrian C. Stier, Jamie C. Tam, Stephani G. ZadorCM 2017/H:659. Machine learning applications in marine management: evaluating complex indicator-pressure relationships across fishpopulations. Annukka Lehikoinen, Laura Uusitalo, Lena Bergström, Ulf Bergström, Andreas Bryhn, Heikki Peltonen, Ronny Fredriksson, Jens OlssonCM 2017/H:149. Using Bayesian machine learning techniques for addressing the role of natural and human-induced drivers for coastal fishindicators in the Baltic Sea. Jens Olsson, Jens Olsson, Annukka Lehikoinen, Lena Bergström, Ulf Bergström, Andreas Bryhn, Göran Sundblad, RonnyFredriksson, Laura UusitaloCM 2017/H:198. INDperform: an R package for validating ecological state indicator performances. Saskia A. Otto, Alexander Keth, Réné Plonus, Steffen Funk, Christian MöllmannCM 2017/H:151. A risk-reward framework to identify thresholds for indicator assessment that are useful to management. Robert B. Thorpe, Georg H. Engelhard, Christopher P. LynamCM 2017/H:589. Coupled food-web indicator models and scenario simulations identify robust indicators guiding management actions. Martina Kadin, Michele Casini, Maria A. Torres, Thorsten Blenckner, Anna Gårdmark, Saskia A. OttoCM 2017/H:658. Measuring the response of ecosystem indicators to events. Christopher R. Kelble, Mandy Karnauskas, Neda Trifonova, Seann ReganCM 2017/H:77. Collaboration is the key to success: developing pelagic habitat indicators by working across the science-policy interface. Abigail McQuatters-Gollop, Anais Aubert, Isabelle Rombouts, Felipe Artigas, Alexandre Budria, David Johns, Clare OstleCM 2017/H:492. A social-ecological approach to estimate fishers' resilience: A case study from Brazil. Monalisa R O da Silva, Maria G Pennino, Priscila F M LopesCM 2017/H:416. Decision support for sustainable seafood production. Petter Olsen, Alan Baudron, Bo Lærke, Kåre Nolde Nielsen, Mika Rahikainen, Andre TapadinhasCM 2017/H:88. Overfishing as a legitimate management goal. Eckhard BethkeCM 2017/H:120. Plankton as prevailing conditions: a surveillance role for plankton indicators within the Marine Strategy Framework Directive. Jacob Bedford, Abigail McQuatters-Gollop, David JohnsCM 2017/H:657. The Use of Hidden Variable Dynamic Models to Detect Functional Changes in the Gulf of Mexico Marine Ecosystem. Neda Trifonova, Christopher Kelble, Mandy Karnauskas
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 | 0,104 | 0,251 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,012 | 0,011 |
| Études des sciences et des technologies | 0,002 | 0,008 |
| Communication savante | 0,022 | 0,023 |
| Science ouverte | 0,004 | 0,012 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,024 | 0,009 |
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 ».