Training decision-makers in hazard spatial prediction and risk assessment: ideas, tools, strategies and challenges
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Hazard prediction and risk assessment over regions exposed to natural and technological processes are complex tasks that require exposure to quantization of its uncertainty related to the prediction of future events through statistical methods, spatial data analysis, case studies and process evolution interpretation in conditions of uncertainty. All too often decision makers, DMs, similarly to judges in environmental legal practice, do not have technical training to enable them to communicate/understand the associated uncertainty from technical specialists. In particular communication is a challenge with those who can provide prediction maps and associated statistics to support decisions on disaster prevention, avoidance or mitigation. An interactive short course was prepared to overcome such obstacles to responsible land use planning and proactive measure taking, for example, by asking a set of questions. A first phase in the training follows steps that are to facilitate the comprehension of a spatial database on landslide hazard, of its data processing, and of the interpretation of the analysis results. Integral parts of a second phase are the theory of predictive methods, the strategy in prediction map generation and visualization, including validation via blind tests and the representation of the associated spatial and prediction uncertainties. A successive third phase of the training brings in environmental and socioeconomic spatial indicators to assign vulnerabilities and values to exposed elements in the spatial database. Scenarios for hazard development in the future are then provided. They allow to estimate the uncertainty associated with the probabilities of hazardous occurrences and to resolve the risk equation for different settings. The DM training course includes interactive and iterative
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle