Fremtidens Fiskeri:Rapport fra Fiskerikommissionen, december 2023
Bibliographic record
Abstract
Den 16. december 2021 besluttede Folketinget at nedsætte et ekspertudvalg for fiskeri (Fiskerikommissionen) til udarbejdelse af forslag til løsning af fiskeriets strukturelle, økonomiske og miljømæssige udfordringer efter Brexit. Gennem de seneste 25 år har dansk fiskeri gennemgået en markant strukturudvikling. Både antal fartøjer og bemanding er faldet markant, samtidig med at fiskefartøjerne i gennemsnit er blevet større, og at fiskeriet er blevet mere effektivt. Men mængden af landet fisk er også faldet betragteligt, kun delvist opvejet af stigende priser. Særligt i årene efter 2009 voksede rentabiliteten mærkbart, især for de større fiskefartøjer.Imidlertid har rentabiliteten været nedadgående siden 2016 – og ud over det tab af fiskerimuligheder, som Brexit medførte – står dansk fiskeri over for en række andre udfordringer i form af bl.a. reducerede fiskebestande, kamp om pladsen på havet og voksende miljø- og klimakrav. I denne rapport har Fiskerikommissionen identificeret og analyseret disse udfordringer nærmere og peger på en række muligheder for dansk fiskeri og for samfundet generelt. I tråd med kommissionens tolkning af kommissoriet er udfordringerne og mulighederne således ikke udelukkende snævert afgrænset til fiskeri, men har også et bredere samfundsmæssigt sigte.
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 | 0.003 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.004 | 0.000 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.005 | 0.004 |
| Insufficient payload (model declined to judge) | 0.088 | 0.038 |
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".