A gap analysis on modelling of sea lice infection pressure from salmonid farms. II. Identifying and ranking knowledge gaps: output of an international workshop
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Sea lice are a major health hazard for farmed Atlantic salmon in Europe, and their impact is felt globally. Given the breadth of ongoing research in sea lice dispersal and population modelling, and focus on research-led adaptive management, we brought experts together to discuss research knowledge gaps. Gaps for salmon lice infection pressure from fish farms were identified and scored by experts in sea lice-aquaculture-environment interactions, at an international workshop in 2021. The contributors included experts based in Scotland, Norway, Ireland, Iceland, Canada, the Faroe Islands, England and Australia, employed by governments, industry, universities and non-government organisations. The workshop focused on knowledge gaps underpinning 5 key stages in salmon lice infection pressure from fish farms: larval production; larval transport and survival; exposure and infestation of new hosts; development and survival of the attached stages; and impact on host populations. A total of 47 research gaps were identified; 5 broad themes emerged with 13 priority research gaps highlighted as important across multiple sectors. The highest-ranking gap called for higher quality and frequency of on-farm lice count data, along with better sharing of information across sectors. We highlight the need for synergistic international collaboration to maximise transferable knowledge. Round table discussions through collaborative workshops provide an important forum for experts to discuss and agree research priorities.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle