A Comprehensive Review of Holistic Indicators for Seismic Vulnerability Assessment of Malaysia
Notice bibliographique
Résumé
Due to the complex nature of seismic vulnerability assessment, different approaches and data are required, based on the country. Alternatively, seismic vulnerability assessment can be categorized into two common techniques, the conventional and holistic methods, the use of which depends on the region’s conditions. Generally, conventional methods concern the consequences of an earthquake by estimating the potential loss caused by the structural inventory damage and the number of casualties. Meanwhile, holistic methods focus on the different primary factors that contribute to seismic vulnerability, which are represented by the social, economic, physical, and environmental elements of a community or structure in a region. However, less attention has been given to the quantitative evaluation of holistic seismic vulnerability in Malaysia compared to hazardrelated research. Therefore, the aim of this study was to identify the holistic seismic vulnerability indicators in the context of an earthquake in Malaysia. Analysis is critical for understanding the numerous indicators of causes of earthquakes to define their relative relationships and the disaster risk probability. Based on the Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) reporting method, a comprehensive review of the Scopus and Web of Science databases was undertaken to search for indicators with a substantial impact on the aforementioned dimensions of earthquake vulnerability. This article concludes that there are three major elements of vulnerability (exposure, resilience, and coping capacity), comprising eighteen indicators of seismic vulnerability, in the context of earthquakes in Malaysia.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 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 ».