Episoder med skadelige alger og maneter i oppdrett- hva kan vi lære av erfaringer fra merdkanten
Bibliographic record
Abstract
Noen ganger forårsaker oppblomstringer av alger og maneter skadelig for akvakulturvirksomhet og forårsaker fiskedød og redusert fiskevelferd. Et ferskt eksempel er oppblomstringen av Chrysochromulia leadbeateri i 2019 som forårsaket massiv fiskedød og store tap for de oppdretterne som ble berørt. Det er en bekymring for at havbruksnæringen vil oppleve økte problemer med skadelige alger og maneter i fremtiden grunnet klimaendringer. Et steg på veien mot et system som kan bidra til å forebygge og håndtere episoder med skadelige alger og maneter er å sammenstille eksisterende kunnskap, både den som finnes i forsknings- og teknologimiljøene og den som næringen selv besitter. I dette prosjektet har vi samlet vitenskapelig og erfaringsbasert kunnskap om hvordan skader grunnet alger og maneter kan forebygges og håndteres, og laget en prototype på et brukervennlig verktøy som tilgjengeliggjør dette kunnskapsgrunnlaget. Vi har innhentet erfaringsbasert kunnskap gjennom dybdeintervjuer med oppdrettere og fiskehelsepersonell fra Norge, Chile, Canada og UK. Her rapporteres resultatene fra disse intervjuene herunder respondentenes beskrivelser av hvordan episoder med skadelige alge og manetoppblomstringer arter seg, deres erfaringer med ulike avbøtende tiltak og hvordan disse har virket, tanker omkring hvordan man kan bygge beredskap for fremtiden.
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 | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.004 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.042 | 0.028 |
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".