Factors Affecting Household Disaster Preparedness: A Study of the Canadian Context
Notice bibliographique
Résumé
This study addresses the issue of household disaster preparedness. This work contributes two elements to disaster research. The first contribution improve the knowledge of the factors that affect household disaster preparedness. The review of literature yielded three categories of variables that can jointly explain household disaster preparedness: household structure, demographics, and risk-perception factors. In this study 19 variables compose these factors. A second contribution constitutes a theoretical exploration of the concept of disaster preparedness. In this work, four different constructs of disaster preparedness were tested. These constructs include material preparedness, preparedness activities, a combined index, and a weighted and combined index. The study presents the logic and methodology of the index construction and validation. The data used in this study came from households in the Montreal Urban Community (MUC) in Canada. A random sample of 1,003 English- and French-speaking heads of households adequately represents the 1.8 million persons within the MUC. An independent survey firm conducted the interviews in 1996. Results show that the weighted combined household disaster preparedness index constitutes the best construct to represent the concepts under study. Study results also reveal that risk-perception variables (attitudinal factors) offered the strongest explanatory power. Household structure and demographic variables collectively explained less than 8% of the dependent variable. The model used in this study yielded a coefficient of determination of .320, explaining 32% of the variance in the household disaster preparedness level. Concluding this study, the discussion offers implications for both disaster managers and researchers. Researchers should add to their analysis the household perspective as a complement to the organizational one. Also, it is clear that many other conceptual issues must be explored in understanding and measuring disaster preparedness. Disaster managers should base their efforts on sound research rather than on misconceptions about social behavior. Such implications can contribute to bridging the gap and also putting into practice the knowledge drawn from this growing and collective effort of studying disasters.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,009 |
| Études des sciences et des technologies | 0,023 | 0,003 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».