A global comparison of community-based responses to natural hazards
Notice bibliographique
Résumé
Abstract. Community-based disaster preparedness is an important component of disaster management. Knowledge of interventions that communities utilise in response to hazards is important to develop local-level capacity and increase community resilience. This paper systematically examines empirical information about local level responses to hazards based on peer reviewed, published case studies. We developed a data set based on 188 articles providing information from 318 communities from all regions of the world. We classified response examples to address four key questions: (i) What kinds of responses are used by communities all over the world? (ii) Do communities in different parts of the world use different kinds of responses? (iii) Are communities using hazard-specific responses? (iv) Are communities using a multi-hazard approach? We found that within an extensive literature on hazards, there is relatively little empirical information about community-based responses to hazards. Across the world, responses aiming at securing basic human needs are the most frequently reported kinds of responses. Although the notion of community-based disaster preparedness is gaining importance, very few examples of responses that draw on the social fabric of communities are reported. Specific regions of the world are lacking in their use of certain hazard responses classes. Although an all-hazards approach for disaster preparedness is increasingly recommended, there is a lack of multi-hazard response approaches on the local level.
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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».