Tässä artikkelissa kuvataan, miten Bayesin uskomusverkkoja (Bayesin uskomusverkkoja, BBN) käytettiin sen tutkimiseen, miten hoitotoimenpiteet vaikuttavat useisiin kalastuksen suorituskyvyn osa-alueisiin. Ajatuksia kehitettiin erityisen tapaustutkimuksen yhteydessä, jossa kalastuksen suorituskykyä mitattiin käyttämällä Marine Stewardship Councilin (MSC) sertifiointipisteitä, ja hallinnointitoimenpide oli se, onko kalastuksessa käytössä saalisosuuksien hallinnointi (eräänlainen oikeuksiin perustuva hallinnointi) vai ei. MSC-sertifioinnin saamiseksi kalastuksen suorituskyky pisteytetään yli 30 indikaattorin perusteella. Nämä indikaattorit on ryhmitelty kolmeen periaatteeseen, jotka mittaavat kestävyyden eri näkökohtia. Saalisosuuksien hallinnoinnin vaikutusta on tutkittava ottaen huomioon muut kalastuksen ominaispiirteet, kuten pyydystyyppi ja kohdelajit, jotka voivat myös vaikuttaa MSC-pisteisiin. Tilastollisilla malleilla voidaan mitata näiden ominaisuuksien vaikutusta kunkin yksittäisen indikaattorin pisteytykseen, mutta niiden vaikutusta kaikkiin periaatteisiin ei voida arvioida samanaikaisesti. BBN:ssä tehtiin yhteenveto ja synteesi kunkin indikaattorin tilastollisen mallin tuloksista. BBN:n avulla oli mahdollista i) verrata todennäköisyyttä saada korkeat pisteet kaikista kolmesta periaatteesta tai indikaattorien osajoukoista kalastuksissa, joilla on erilaiset ominaisuudet ja saalisosuuksien hallinnointistrategiat, ii) määrittää, onko todennäköisempää, että kalastusta, joka saa korkeat pisteet kaikista kolmesta periaatteesta, hallinnoidaan saalisosuuksien avulla, ja iii) määrittää ominaisuudet ja indikaattorit, jotka liittyvät eniten korkeiden pisteiden saamiseen kaikista kolmesta periaatteesta. BBN:n avulla pystyttiin vastaamaan monenlaisiin kysymyksiin ja tarjoamaan mekanismi sellaisten tilastollisten mallien integroimiseksi, jotka kuvaavat monimutkaista tietokokonaisuutta, jossa on useita kiinnostavia vastemuuttujia.