Community-Based Approach for Climate Resilience and COVID-19: Case Study of a Climate Village (Kampung Iklim) in Balikpapan, Indonesia
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
COVID-19 and climate change are widely recognized to negatively impact communities in developing countries. Like several other developing countries, Indonesia also dealt with climatic hazards such as flooding and landslides during the COVID-19 pandemic. Furthermore, after the Paris Agreement was signed, the government launched a “Climate Village” program or Kampung Iklim (ProKlim) to enhance community contribution in addressing climatic hazard impacts. Yet, numerous studies have researched integrating COVID-19 and climate change impacts, which calls for a concept of community resilience. To bridge this gap, the objective of this research is to understand and measure the local adaptation and mitigation activities in ProKlim through the smart village concept. Methodological literature review, situation analysis through interviews, and field observations are applied in this study. This research used five indicators to measure the current situation of the Climate Village, which are: resilience, mobility, community, perspectives and digitalization. The findings reveal that the implementation of smart villages in ProKlim is still in its preliminary stages and must seek innovation and system integration from smart cities and smart communities. This research also suggests feasible strategies to build community resilience: (i) collaborative governance in the Climate Village program implementation, (ii) promoting the Climate Village program to other sectors for ICT, and (iii) strengthening community participation in implementing the smart village concept.
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 | 0,000 | 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 | 0,000 |
| 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 découle