Future disaster scenario using big data: A case study of extreme cold wave
Notice bibliographique
Résumé
The ability to predict the future was considered a very important factor for humanity since long ago.Future prediction, which was non-scientific, took on significant developments with the advancement of science and technology.Nevertheless, predicting the future is still not an easy task.Therefore, it is more essential to develop diverse future scenarios for establishing policies with a clear vision on the personal, or even national levels rather than attempting to precisely predict a specific future event.Particularly, future research plays a crucial role in the field of disaster management to prevent national crises.Future disasters could also result in an unimaginable scale of damages due to the complex network development of our society.Thus, it is necessary to develop scenarios in advance from the perspective of potential damages caused by disasters.Future scenario development largely comprises quantitative and qualitative methods, which are applied identically in the field of disaster management.Quantitative method is developed using various statistical methods based on numerical data, while qualitative method is developed based on the intellect of a group of experts.In this study, the latter method is used because of the unpredictable nature of disasters.Furthermore, in order to provide a solution for the biased opinions that may occur from the group of experts, big data is used to propose a method for developing future disaster scenarios.The results from this method are preferred to efficiently develop future disaster scenarios, because the opinions of the group of experts are mostly biased.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».