2. Lessons from Community-Based Resource Management 3. Migratory Marine Resources as a Special Challenge to Commons Theory
Notice bibliographique
Résumé
I carried out my first study of community-based resource management in the mid-1970s in the Cree Indian village of Chisasibi, James Bay, in eastern subarctic Canada. As a recent science PhD, I had no training to appreciate local resource management institutions and traditional knowledge. Worse, as a member of a generation of students under the influence of the “tragedy of the commons ” concept, I was predisposed to believing that resources had to be protected from the users by government resource managers and appropriately trained scientists. This belief was shaken somewhat by the results of my studies of Cree fishers and their productive and orderly fishery [BERKES 1977]. This was a subsistence fishery, with no commercial component, carried out in the coastal waters of James Bay. There were no apparent rules or regulations in its conduct. As an indigenous subsistence fishery, it operated outside the sphere of government regulations. Yet, as it turned out, there was indeed a system, and the fishers were self-organized and self-managed, unlike the “tragedy of the commons ” [BERKES 1999, chapter 7, summarizes some ten years of work with this fishery]. The “tragedy of the commons ” is often a starting point in commons discussions. Until the 1980s, it was the principal way in which commons were considered. Hardin [1968] used the
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 | 0,005 | 0,004 |
| 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 | 0,009 | 0,045 |
| Communication savante | 0,008 | 0,013 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,006 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 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 ».