Social repair and structural inequity: implications for disaster recovery practice
Notice bibliographique
Résumé
Purpose – This paper introduces a model of social repair to the language of disaster recovery that potentially provides a new way of conceptualizing reconstruction and recovery processes by drawing attention to the dismantling of structural inequities that inhibit post-disaster recovery. Design/methodology/approach – The paper first engages with the current discourse of vulnerability reduction and resilience building as embedded within a distinct politics of post-disaster recovery. The concept of social repair is then explored as found within post-conflict and reconciliation literature. For application within the context of natural disasters, the concept of social repair is modified to have evaluative and effectiveness significance for disaster recovery. A short case example is presented from post-flood Pakistan to deepen our understanding of the potential application and usage of a social repair orientation to disaster recovery. Findings – The paper recommends that the evaluative goals of post-disaster recovery projects should be framed in the language of social repair. This means that social relationships (broadly defined) must be restored and transformed as a result of any disaster recovery intervention, and relationship mapping exercises should be conducted with affected communities prior to planning recovery interventions. Originality/value – Current discourses of disaster recovery are rooted within the conceptual framings of reducing vulnerabilities and building resilience. While both theoretical constructs have made important contributions to the disaster recovery enterprise, they have been unable to draw sufficient attention to pre-existing structural inequities. As disaster recovery and reconstruction projects influence the ways communities negotiate and manage future risk, it is important that interventions do not lead to worsened states of inequity.
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 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 | 0,002 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».