Use of Mobile Crowdsensing in Disaster Management: A Systematic Review, Challenges, and Open Issues
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
With the increasing efforts to utilize information and communication technologies (ICT) in disaster management, the massive amount of heterogeneous data that is generated through ubiquitous sensors paves the way for fast and informed decisions in the case of disasters. Utilization of the big "sensed" data leads to an effective and efficient management of disaster situations so as to prevent human and economic losses. The advancement of built-in sensing technologies in smart mobile devices enables crowdsourcing of sensed data, which is known as mobile crowdsensing (MCS). This systematic literature review investigates the use of mobile crowdsensing in disaster management on the basis of the built-in sensor types in smart mobile devices, disaster management categories, and the disaster management cycle phases (i.e., mitigation, preparedness, response, and recovery activities). Additionally, this work seeks to unveil the frameworks or models that can potentially guide disaster management authorities towards integrating crowd-sensed data with their existing decision-support systems. The vast majority of the existing studies are conceptual as they highlight a challenge in experimental testing of the disaster management solutions in real-life settings, and there is little emphasis on the use cases of crowdsensing through smartphone sensors in disaster incidents. In light of a thorough review, we provide and discuss future directions and open issues for mobile crowdsensing-aided disaster management.
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.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| 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 découle