Handling Mass Death by Integrating the Management of Disasters and Pandemics: Lessons from the Indian Ocean Tsunami, the Spanish Flu and Other Incidents
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
At first glance, there appear to be significant differences between mass death from disasters and catastrophes and mass death from pandemics. In a disaster or catastrophe the major problem is identifying the dead and, sometimes, determining cause of death. This can be very frustrating for next of kin. In a pandemic, the identity of the dead is usually known as is the cause of their death. There is an immediate certainty in pandemic death. Despite these major differences there are many similarities. Because it takes time to identify the dead after a disaster or catastrophe, there is a steady release of bodies for cremation or burial, just as in a pandemic. In both types of incidents, there tends to be a shortage of supplies and personnel and, therefore, a need for use of volunteers. There are also massive amounts of paper work. This would suggest a need in both cases for stockpiling and for training of volunteers. And, although this does not always happen, both types of incidents tend to strike harder among the poorer elements in cities yet both create serious economic problems. Despite these many similarities, planning for the first tends to be done by emergency agencies, especially the police; planning for the second by health agencies. Given the many similarities this separation makes no sense. Since both types of mass death incidents lead to similar problems, it would make sense to take an all‐hazards approach to planning for dealing with mass death.
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 | 0,004 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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