Alerter ou ne pas alerter ? Une intégration de connaissances sur les comportements des populations dans les systèmes d’alerte
Notice bibliographique
Résumé
La majorité des crises, écologiques, humanitaires, économiques ou encore sociales, sont précédées de différents signaux annonciateurs qui permettent de déclencher des alertes. Ces alertes aident à prévenir ou limiter des dommages humains et matériels si elles sont délivrées à temps et si elles fournissent suffisamment d’information pour aider les intervenants et la population concernée à se préparer de manière adéquate à la crise à venir. Aujourd’hui, il existe de nombreux systèmes basés sur les TIC qui captent les signaux annonciateurs des crises et en limitent les effets. Les systèmes d’alerte en font partie, ils ont prouvé leur efficacité, mais comme pour tout système impliquant les populations, une part d’imprévisible demeure. Dans cet article, nous proposons une méthode d’analyse de données dont l’objectif est d’apporter des éléments de réponse aux décideurs présents dans des cellules de crise à la question d’alerter ou non les populations dans une zone géographique donnée. Cette méthode repose sur une sélection des facteurs qui ont une influence sur les comportements des populations. Pour chacun de ces facteurs nous établissons une liste d’indicateurs pertinents qui pourront être utilisés par les systèmes d’alerte, dans la phase préliminaire d’une crise. Nous proposons, à partir de ces indicateurs, une mesure argumentée sur l’utilité d’alerter les populations basée sur une agrégation de ces facteurs, que les décideurs pourront consulter facilement.
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 | 0,000 |
| 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 | 0,003 |
| Communication savante | 0,002 | 0,011 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».