Data from: Priorities and motivations of marine coastal restoration research
Notice bibliographique
Résumé
Active restoration is becoming an increasingly important conservation intervention to counteract the degradation of marine coastal ecosystems. Understanding what has motivated the scientific community to research the restoration of marine coastal ecosystems and how restoration research projects are funded is essential if we want to scale-up restoration interventions to meaningful extents.Here, we systematically review and synthesize data to understand the motivations for research on the restoration of coral reefs, seagrass, mangroves, saltmarsh, and oyster reefs. We base this analysis off a published database of marine restoration studies, originally designed to estimate the cost and feasibility of marine coastal restoration, derived from mostly scientific studies published in peer-reviewed and some grey literature. For the present study, the database was updated with fields aimed at assessing the motivations, outcomes, and funding sources for each project. We classify restoration motivations into five categories: biotic, experimental, idealistic, legislative, and pragmatic. Moreover, we evaluate the variables measured and outcomes reported by the researchers and evaluate whether projects adhered to the Society for Ecological Restoration’s (SER) standards for the practice of ecological restoration. The most common motivation of the scientific community to study restoration in marine coastal ecosystems was experimental i.e. to seek experimental data to answer ecological research questions or improve restoration approach, as expected since mostly peer-reviewed literature was evaluated here. There were differences in motivations among the five coastal ecosystems. For instance, biodiversity enhancement was the most common case for a biotic motivation in mangrove restoration projects. The most common metrics evaluated were growth/productivity, survivorship, habitat function, physical attributes and reproduction. For most ecosystems, ecological outcomes were frequently reported, with socio-economic implications of the restoration rarely mentioned, except for mangroves. Projects were largely funded by governmental grants with some investment from private donations, non-governmental organizations, and the involvement of volunteers. Our findings and database provide critical data to align future research of the scientific community with the real social, economic and policy needs required to scale-up marine coastal restoration projects.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».