What Methods Do Social Scientists Use to Study Disasters? An Analysis of the Social Science Extreme Events Research Network
Notice bibliographique
Résumé
Methods matter. They influence what we know and who we come to know about in the context of hazards and disasters. Research methods are of profound importance to the scholarly advancement of the field and, accordingly, a growing number of publications focus on research methods and ethical practices associated with the study of extreme events. Still, notable gaps exist. The National Science Foundation-funded Social Science Extreme Events Research (SSEER) network was formed, in part, to respond to the need for more specific information about the status and expertise of the social science hazards and disaster research workforce. Drawing on data from 1,013 SSEER members located across five United Nations (UN) regions, this article reports on the demographic characteristics of SSEER researchers; provides a novel inventory of methods used by social science hazards and disaster researchers; and explores how methodological approaches vary by specific researcher attributes including discipline, professional status, researcher type based on level of involvement in the field, hazard/disaster type studied, and disaster phase studied. The results have implications for training, mentoring, and workforce development initiatives geared toward ensuring that a diverse next generation of social science researchers is prepared to study the root causes and social consequences of 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 | 0,080 | 0,235 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,012 | 0,019 |
| Études des sciences et des technologies | 0,005 | 0,006 |
| Communication savante | 0,010 | 0,018 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».