Rise of Digital Humanitarian Network (DHN) in Southeast Asia: Social Media Insights for Crisis Mapping in Disaster Risk Reduction (DRR)
Notice bibliographique
Résumé
Digital technologies and big data speedily change humanitarian crisis response and transform the processes from traditional to digital. Digital Humanitarian Network (DHN) for disaster risk reduction (DRR) using crisis mapping of the vulnerable population is becoming increasingly common during any disaster response process. To get the information and provide in time support, the critical Source of data is social media. In Southeast Asia, Facebook is the most used social media platform. Communities often rely on social media to seek in time assistance and guidance. Emerging social media and networks are remarkably well-compatible with intelligent data-centric systems, which foster an effective disaster management plan under disaster scenarios. During previous disasters in Southeast Asia, it was believed to be the fastest response medium. However, validation is essential to obtain important data, and after years of research, there are still many undiscovered features of social media that can be used in emergencies. This paper aims to determine Southeast Asian countries' readiness to utilise social media for DRR activities and understand the criteria of DHN by integrating crisis mapping. A qualitative research design is applied to gain an insight into the humanitarian disaster network for disaster risk reduction. Data were collected through document analysis. I argue that digital humanitarians can offer a unique combination of speed and safe access while escaping some of the traditional constraints of the aid-media relationship. The study concluded that DHN provides a collaborative environment for the organizations to collaborate and act fast to assist.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».