Measuring and assessing resilience: broadening understanding through multiple disciplinary perspectives
Notice bibliographique
Résumé
Summary Increased interest in managing resilience has led to efforts to develop standardized tools for assessments and quantitative measures. Resilience, however, as a property of complex adaptive systems, does not lend itself easily to measurement. Whereas assessment approaches tend to focus on deepening understanding of system dynamics, resilience measurement aims to capture and quantify resilience in a rigorous and repeatable way. We discuss the strengths, limitations and trade‐offs involved in both assessing and measuring resilience, as well as the relationship between the two. We use a range of disciplinary perspectives to draw lessons on distilling complex concepts into useful metrics. Measuring and monitoring a narrow set of indicators or reducing resilience to a single unit of measurement may block the deeper understanding of system dynamics needed to apply resilience thinking and inform management actions. Synthesis and applications . Resilience assessment and measurement can be complementary. In both cases it is important that: (i) the approach aligns with how resilience is being defined, (ii) the application suits the specific context and (iii) understanding of system dynamics is increased. Ongoing efforts to measure resilience would benefit from the integration of key principles that have been identified for building resilience.
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 | 0,126 | 0,076 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,015 | 0,007 |
| Études des sciences et des technologies | 0,004 | 0,041 |
| Communication savante | 0,019 | 0,025 |
| Science ouverte | 0,005 | 0,026 |
| Intégrité de la recherche | 0,006 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».