Promoting Resilience Using an Asset-Based Approach to Business Continuity Planning
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
Essential service organizations fulfill critical roles in maintaining public health during a disaster; therefore, business continuity planning is paramount to ensure continued functioning of core operations during a disruption. Business continuity planning is typically oriented around a predict and prevent approach. Asset-mapping activities have the potential to balance the predominantly risk-based approach by focusing on strengths and capability already present within organizations. The purpose of this study is to identify a suite of organizational-level assets that support resilience, and to contribute to the empirical evidence base for business continuity planning. Two focus group consultations with essential service organization representatives ( n = 22) were held in Ottawa, Canada, in March and April 2014, using the Structured Interview Matrix facilitation format. Inductive analysis was used to identify eight emergent themes that highlight the importance of organizational-level assets and their contribution to adaptive capacity. Leadership and culture in adopting and promoting preparedness strategies were predominant themes, as well as the importance of communication and connectedness across micro, meso, and macro levels. A suite of 25 assets were identified and grouped into seven categories: (a) awareness, (b) human resources, (c) information and communication, (d) leadership and culture, (e) operational infrastructure, (f) physical resources, and (g) social capital. This evidence base can be used as a template to guide asset-mapping activities, and support organizations engaging in business continuity planning.
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 | 0,005 | 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 | 0,005 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle