Resilience Rainbow What Role Can Community Foundations Play in Increasing Community Resilience
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
What makes a community resilient? Understanding the dynamics of a community can help it to best adapt and grow in the face of sudden or sustained challenges, be it a natural disaster or an economic crisis. Interest in community resilience is emerging in civil society, the social sciences, and within government. This paper examines the nature of what makes a strong community, and how community foundations can help increase resiliency in their local areas. The author forms the initial hypothesis that community foundations that undertake "community needs mapping" are expanding their roles in civil society beyond that of traditional grant maker. She uses selected case studies as a lens to examine community resilience and to look at the role the respective foundations play in these contexts. The author builds a resilience framework with seven elements, which comprise what she calls the "Resilience Rainbow", in order to explore the topic of community resilience. Her paper focuses on case studies - from Canada, the U.S., Brazil, Mexico and Slovakia - of seven community foundations which have recently undertaken "community needs mapping". In her findings, the author maps the themes of the "Resilience Rainbow" against those emerging from the case studies. The author goes on to analyse the differences in the foundations' roles and the potential reasons for these differences. She concludes the paper with a look at why and how certain community foundations? roles are evolving, with a focus on the ways their work has an impact on the resilience of their local communities.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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