Pairwise Elicitation for a Decision Support Framework to Develop a Flood Risk Response Plan
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
There are several ways of quantifying flood hazard. When the scale of the analysis is large, flood hazard simulation for an entire city becomes costly and complicated. The first part of this paper proposes utilizing experience and knowledge of local experts about flood characteristics in the area in order to come up with a first-level flood hazard and risk zoning maps, by implementing overlay operations in Arc GIS. In this step, the authors use the concept of pairwise comparison to eliminate the need for carrying out a complicated simulation to quantify flood hazard and risk. The process begins with identifying the main factors that contribute to flooding in a particular area. Pairwise comparison was used to elicit knowledge from local experts and assigned weights for each factor to reflect their relative importance toward flood hazard and risk. In the second part of this paper, the authors present a decision-making framework to support a flood risk response plan. Once the highest risk zones have been identified, a city can develop a risk response plan, for which this paper presents a decision-making framework to select an effective set of alternatives. The framework integrates tools from multicriteria decision-making, charrette design process to guide the pairwise elicitation, and a cost-effective analysis to include the limited budget constraint for any city. The theoretical framework uses the city of Addis Ababa for the first part of the paper. For the second part, the paper utilizes a hypothetical case of Addis Ababa and a mock city infrastructure department to illustrate the implementation of the framework.
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 | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle