Visserijwaarden en -intensiteit in de Nederlandse kustzone : inzicht voor besluitvorming over natuurcompensatie Voordelta
Bibliographic record
Abstract
Visserijwaarden en -intensiteit in de Nederlandse kustzone Inzicht voor besluitvorming over natuurcompensatie Voordelta Inleiding In deze notitie zijn de economische visserijwaarden en visserijintensiteit in de Nederlandse kustzone in kaart gebracht.De notitie is ondersteunend aan lopende onderhandelingen over het sluiten van (een deel van) de Voordelta of andere aangrenzende gebieden in het kader van natuurcompensatie, waarbij het wenselijk is om inzicht te hebben in de economische waarde en het gebruik van de betreffende gebieden voor de Nederlandse visserij.De vraag richt zich specifiek op de Vlakte van de Raan, de Voordelta, het gebied ten noorden van de Voordelta tot aan de Noordzeekustzone (ook wel 'Hollandse Kust' genoemd), én de gehele Nederlandse Noordzeekustzone.De resultaten worden uitgesplitst naar visserijtype, met aandacht voor zowel opbrengst (in euro's per jaar) als visserijintensiteit (frequentie van bevissing).Methode Voor het in kaart brengen van de aanlandwaardes en de visserijintensiteit zijn hittekaarten gemaakt.Daarbij is op basis van de gebruikte tuigen in de Nederlandse kustzone onderscheid gemaakt tussen de volgende zes typen visserijen (met bijbehorende tuigcodes in het elektronisch logboek):
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 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.025 | 0.002 |
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".