Internasjonal teineteknologi sett opp mot norske forhold Kan canadisk teineteknologi være et altenativ i det norske torskefiskeriet.
Bibliographic record
Abstract
På tross av at det har vært jobbet mye med utvikling av teine i Norge har dette redskapet ikke oppnådd tilstrekkelige fangstrater tit å få innpass i kommersielt fiskeri, selv om prinsippet med teinedrift er ønsket av fiskenæringa. Målsetningen med dette prosjektet var å vurdere om det finnes teinefiskerier andre steder i verden med en teknologi som vii være mulig a overføre til norske forhold. Siden 1999 har det på Newfoundland i Canada vært arbeidet med a utvikle en teine for bruk i torskefiskeriet der med utgangspunkt i det fiskeriet som foregår i Alaskagulfen etter stillehavstorsk. Dette arbeidet har båret frukter, og det er flere kommersielle fartøy som nå fisker hele torskekvoten sin med teiner. På en tur ut med lokale fiskefart0y fikk prosjektgruppen oppleve en qjennomsnittsfangst på 100 kilo per teine operert av fart0y pa 28 fat Tilbakemeldinger fra fisker 0yvind Balle var at denne teknologien utmerket godt kunne driftes fra hans fartøy i Finnmark. Selv om teinene som nyttes på Newfoundland er mye større enn dem som har vært prøvd tidligere i Norge opereres de av fart0y på under 30 fot, og det vii være enkelt å rigge om de fleste kystfiskefartøy tit denne driftsformen. Dette forprosjektet konkluderer derfor med at det så snart som mulig bør gjøres en utprøving av dette konseptet i Norge, der en kombinerer kompetanse fra lokale fiskere med personell som har erfaring fra fiskeriet pa Newfoundland.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.012 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.008 | 0.003 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.228 | 0.064 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".