MétaCan
Menu
Retour à la cohorte
Enregistrement W2767331667 · doi:10.2495/safe-v7-n3-399-405

Local supply chains: The disaster management perspective

2017· article· en· W2767331667 sur OpenAlexvenueno aff
Kyle B. Pfeiffer, Carmella Burdi, Scott Schlueter

Notice bibliographique

RevueInternational Journal of Safety and Security Engineering · 2017
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueSupply Chain Resilience and Risk Management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPerspective (graphical)Emergency managementBusinessSupply chain risk managementSupply chainSupply chain managementProcess managementEnvironmental planningService managementComputer scienceEnvironmental sciencePolitical scienceMarketing

Résumé

récupéré en direct d'OpenAlex

Situational awareness of the operational status of specific, critical supply and demand nodes following a major disaster may inform response and recovery activities based on the ability of an infrastructure asset or system to support core facility operations.Near-real-time analysis of infrastructure dependency information is a computationally intensive process that has generally been observed informally by public safety officials.While system-level information may be desired, it has been beyond the capabilities of most local public safety and emergency management agencies.To address this problem, a Grassroots Infrastructure Dependency Model (GRID-M) was developed to enable near-real-time analysis of physical infrastructure dependencies of specific supply and demand nodes within four lifeline sectors: electricity, natural gas, water, and wastewater.The operational status of each node can be characterized as operational, partially operational, or not operational.These statuses are obtained by matching real-time outage or disruption data from utility providers with predetermined specific coping strategies based on a preincident limited infrastructure survey for specific assets within a network.This information can also be paired with a limited damage assessment to provide awareness of the accessibility to, and physical state of, each node within supply chains of interest.GRID-M displays all outputs within a Geographic Information Systems environment with additional prepopulated layers such as real-time traffic and demographic information of the affected communities.As such, GRID-M may be used following a major disaster to support the identification of priority response and recovery objectives based on the disruptions of critical local supply chains and their relationship with affected communities.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,022
Score d'incertitude au seuil0,056

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,003
Études des sciences et des technologies0,0010,002
Communication savante0,0040,005
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0170,001

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,226
Écart entre enseignants0,220 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Safety and Security EngineeringMême sujetSupply Chain Resilience and Risk ManagementTravaux en français237 207