The EnRiCH Community Resilience Framework for High-Risk Populations
Notice bibliographique
Résumé
INTRODUCTION: Resilience has been described in many ways and is inherently complex. In essence, it refers to the capacity to face and do well when adversity is encountered. There is a need for empirical research on community level initiatives designed to enhance resilience for high-risk groups as part of an upstream approach to disaster management. In this study, we address this issue, presenting the EnRiCH Community Resilience Framework for High-Risk Populations. METHODS: The framework presented in this paper is empirically-based, using qualitative data from focus groups conducted as part of an asset-mapping intervention in five communities in Canada, and builds on extant literature in the fields of disaster and emergency management, health promotion, and community development. RESULTS: Adaptive capacity is placed at the centre of the framework as a focal point, surrounded by four strategic areas for intervention (awareness/communication, asset/resource management, upstream-oriented leadership, and connectedness/engagement). Three drivers of adaptive capacity (empowerment, innovation, and collaboration) cross-cut the strategic areas and represent levers for action which can influence systems, people and institutions through expansion of asset literacy. Each component of the framework is embedded within the complexity and culture of a community. DISCUSSION: We present recommendations for how this framework can be used to guide the design of future resilience-oriented initiatives with particular emphasis on inclusive engagement across a range of functional capabilities.
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 | 0,009 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,003 |
| Études des sciences et des technologies | 0,006 | 0,018 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,003 | 0,011 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».