Spatial Decision Support in a Post-disaster Environment: A Community-Focused Approach
Notice bibliographique
Résumé
Disasters, by definition, are low-frequency, high-impact events. Because of the infrequent occurrence and dynamic conditions of such events, researchers do not often have the ability to thoroughly study their effects. However, as population distributions and densities place more people at risk of experiencing a disaster, more complete investigations of these events are needed. Recovery, the post-disaster phase of returning to “normalcy,” is one understudied aspect. Gaining a better understanding of this process has important implications for the well-being of disaster-affected people and equitable redevelopment of affected places. This article focuses on one aspect of recovery: spatial decision support for communities. Though the literature on community mapping discusses a variety of cases in which geographic information systems (GIS) are used as a tool to engage the public on a variety of issues, it has yet to address concerns in a post-disaster environment. Furthermore, existing research in geographic information science (GISc) for disasters has only limited dealings with community-focused mapping. The result is that community information needs in a post-disaster environment have not been recognized. Based on existing literature and empirical observations from post-Katrina Louisiana, this article addresses the spatial component of these information needs and how GISc can provide decision-support tools in a post-disaster environment.
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 | 0,007 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,005 | 0,007 |
| Communication savante | 0,011 | 0,008 |
| Science ouverte | 0,005 | 0,007 |
| Intégrité de la recherche | 0,004 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».