Crisis Crowdsourcing in Government: Characterising efforts by North American Agencies to Inform Emergency Management Operations
Notice bibliographique
Résumé
Crowdsourcing is proven to be a useful communication platform during and in the direct aftermath of a disastrous event. While previous research in crisis crowdsourcing demonstrates its wide adoption for aiding response efforts, this research is generally limited to adoption by non-government organizations and members of the general public, and not government agencies. There is a gap in understanding the state of crowdsourcing by governments for emergency management. Additionally, there is a noticeable focus on the application of crowdsourcing in the response and recovery of a given disaster, with less attention paid to mitigation and preparedness. This research aims to classify the use of government crisis crowdsourcing in all phases of the disaster management cycle in Canada and the USA and identify the barriers and constraints faced by Canadian government agencies when adopting crisis crowdsourcing and social media for emergency management. Semi-structured interviews conducted with 22 government officials from Canada and the USA at the various levels of government in both countries reveal that crisis crowdsourced information has a place in all phases of the disaster management cycle, though direct crowdsourcing has yet to be applied in the pre-disaster phases. Participating federal agencies appear to be using crowdsourced information for mitigation and preparedness efforts, while the lower-tiered agencies are using crowdsourcing for direct response and recovery. A more in-depth analysis into the barriers and constraints faced by participating Canadian agencies looking to adopt crisis crowdsourcing or social media for emergency management reveals three general areas of concern that may be hindering crisis crowdsourcing efforts in Canada: organizational factors, demographic factors, and hazard risk. Based on these three general areas of concern, a readiness assessment scheme is presented to allow agencies to pinpoint the most prevalent barriers to their crowdsourcing efforts and to formulate plans to address these barriers.
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 | 0,003 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,007 | 0,003 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».