Safety Risks, Institutional Responses, and Narratives in Fishery Management: A Case Study of the 2023 Commercial Glass Eel Season in Nova Scotia, Canada
Notice bibliographique
Résumé
This article investigates the criminogenic features and safety challenges in Canada’s commercial glass eel fishery focusing on the 2023 season in Nova Scotia. The fishery, characterized by high value density and nocturnal harvesting, has become increasingly vulnerable to illegal fishing. The research analyzes over 1,400 pages of documents obtained through Access to Information and Privacy requests, including interdepartmental communications within Fisheries and Oceans Canada, public infraction reports, and fishery officer patrol data. Using social network analysis, the study maps communication flows among key groups mainly institutional across three operational phases. It reveals a disconnect between institutional narratives and public concerns. The study identifies two major findings. First, the crisis seemed foreseeable due to the fishery’s biological and organizational traits – narrow harvest windows, accessible gear, and high market volatility – yet institutional responses were delayed and reactive. Second, institutional emphasis on media relations and symbolic enforcement actions, such as listing seizures and patrols without contextual detail, suggests a prioritization of image management over substantive risk mitigation. Ultimately, the research highlights the dual role of the state as both regulator and crisis responder, and the importance of aligning institutional actions with public safety concerns. It calls for more proactive, transparent, and community-informed governance strategies in managing high-risk, high-value fisheries like the Canadian glass eel fishery.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».