Social media during multi-hazard disasters: Lessons from the Kaikoura earthquake 2016
Notice bibliographique
Résumé
Social media provides channels of communication during emergency events such as earthquakes. Such sites may be utilised for a range of emergency response strategies providing that data is processed rapidly and management strategies employed effectively. The processing of social media data presents many challenges for emergency responders: information overload, organisational communication and information reliability remain prevalent issues. Furthermore, there is a growing need to improve the management of multi-hazard disasters (sometimes referred to as 'cascading disasters') due to an increase in their frequency and severity, exacerbated by underlying global problems such as climate change. This is especially important to geographical regions that are prone to particular hazards -New Zealand for instance recorded nearly 33,000 earthquakes in 2016 alone. Similarly, there is an increasing need to evaluate developments in technology and social media sites themselves as they are progressively being relied upon during emergency events. In this study, we examine the crisis communications of the Kaikoura earthquake (New Zealand, 2016) using mainstream media content such as new stories, and online content such as Twitter data. A mixed method approach was employed, which combined content analysis with the application of a conceptual framework. The paper then presents (i) an analysis of crisis communications during the event, focusing on changes in media content and theme, (ii) the structure of online emergency response in the country and its affect on management and (iii) the barriers effecting emergency response in this case study.
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 | 0,001 | 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 | 0,001 | 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 ».