A whole community approach to emergency management: Strategies and best practices of seven community programs
Notice bibliographique
Résumé
OBJECTIVE: In 2011, the Federal Emergency Management Agency (FEMA) published the Whole Community Approach to Emergency Management: Principles, Themes, and Pathways for Action, outlining the need for increased individual preparedness and more widespread community engagement to enhance the overall resiliency and security of communities. However, there is limited evidence of how to build a whole community approach to emergency management that provides real-world, practical examples and applications. This article reports on the strategies and best practices gleaned from seven community programs fostering a whole community approach to emergency management. DESIGN: The project team engaged in informal conversations with community stakeholders to learn about their programs during routine monitoring activities, site visits, and during an in-person, facilitated workshop. A total of 88 community members associated with the programs examples contributed. Qualitative analysis was conducted. RESULTS: The findings highlighted best practices gleaned from the seven programs that other communities can leverage to build and maintain their own whole community programs. The findings from the programs also support and validate the three principles and six strategic themes outlined by FEMA. CONCLUSIONS: The findings, like the whole community document, highlight the importance of understanding the community, building relationships, empowering action, and fostering social capital to build a whole community approach.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,025 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,011 | 0,008 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,004 | 0,018 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».