MétaCan
Menu
Retour à la cohorte
Enregistrement W4224275878 · doi:10.1016/j.ijdrr.2022.102974

Urban resilience operationalization issues in climate risk management: A review

2022· review· en· W4224275878 sur OpenAlexaff
Charlotte Heinzlef, Bruno Barroca, Mattia Federico Leone, Damien Serre

Notice bibliographique

RevueInternational Journal of Disaster Risk Reduction · 2022
Typereview
Langueen
DomaineSocial Sciences
ThématiqueDisaster Management and Resilience
Établissements canadiensUniversité de Montréal
Organismes subventionnairesnon disponible
Mots-clésOperationalizationMultitudeResilience (materials science)Context (archaeology)Risk analysis (engineering)Conceptual frameworkToolboxVaguenessProcess managementManagement scienceComputer scienceBusinessEngineeringSociologyPolitical scienceGeography

Résumé

récupéré en direct d'OpenAlex

This paper presents a review of existing strategies and tools aiming at facilitating the operationalization of the concept of resilience into built environments. In a context of climate change , increased risks in urban areas and growing uncertainties, urban managers are forced to innovate in order to design appropriate new risk management strategies. Among these strategies, making cities resilient has become an imperative. However, resilience remains complex to integrate into the practices of urban planners and territorial actors. Its multitude of definitions and approaches has contributed to its abstraction and lack of operationalization. This review highlights the multitude of approaches and methodologies to address the bias of the lack of integration of the concept of resilience in climate risk management. The limit is the multiplication of these strategies which lead to conceptual vagueness and a lack of tangible application at the level of local actors. The challenge would then be to design a toolbox to concentrate the various existing tools, conceptual models and decision support systems in order to facilitate the autonomy and responsibility of local stakeholders in integrating the concept of resilience into risk management strategies.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0050,007
Études des sciences et des technologies0,0000,001
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,028
Tête enseignante GPT0,386
Écart entre enseignants0,358 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations37
Publié2022
Routes d'admission1
Résumé présentnon

Explorer davantage

Même revueInternational Journal of Disaster Risk ReductionMême sujetDisaster Management and ResilienceTravaux en français237 207