Bilan des inspections réalisées à bord des crevettiers côtiers de 2006 à 2012
Bibliographic record
Abstract
La pêche sénégalaise selon sa physionomie comprend deux secteurs aux caractéristiques différentes: le sous-secteur de la pêche artisanale très dynamique qui se fait à l’aide des pirogues et qui assure 2/3 des débarquements de la pêche sénégalaise et le sous-secteur de la pêche industrielle qui se fait à l’aide des bateaux et qui nécessite des moyens importants. A l’inverse des activités liées à l’agronomie, la zootechnie, l’aquaculture ou la foresterie, la pêche est une activité de cueillette qui concerne une ressource aux caractéristiques bien spécifiques. En effet, cette ressource est vivante, sauvage, non appropriée et de dimension finie. Elle est en outre accessible à divers types d’engins de pêche et formes d’exploitation. Ces particularités vont donc sous-tendre une double préoccupation : (i) la gestion rationnelle du potentiel halieutique et (ii) l’aménagement d’un secteur d’activité caractérisé par l’intervention de multiples acteurs, d’où la nécessité d’un système performant de surveillance. Conscient de cela, l’Etat a tenté, depuis longtemps, de gérer l’exploitation de ces ressources par une codification des conditions d’accès en produisant un certain nombre de textes législatifs et réglementaires dont le code de la pêche et son décret d’application. Ces différents textes ont pour objet d’arriver à une exploitation durable au profit des populations qui tirent une partie notable de leurs moyens de subsistance de ces ressources. Ainsi, pour mettre en œuvre la politique de l’Etat du Sénégal en matière de protection et de surveillance des pêches, la Direction de la Protection et de la Surveillance des Pêches (DPSP) fut créée en 2000, à la suite du projet de protection et de surveillance des pêches (PSPS), initié avec la coopération canadienne en 1982 pour mettre en œuvre la politique de l’Etat.
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) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
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".