Community resilience and associated factors in Fort McMurray a year after the devastating flood
Notice bibliographique
Résumé
Introduction A natural disaster like flooding causes loss of properties and evacuation and effective mental health. Resilience after natural disasters is a crucial area of research which needs attention. Objectives To explore the prevalence and associated factors of low resilience a year after the 2020 floods in Fort McMurray. Methods A cross-sectional study was conducted in Fort McMurray using online surveys. The data were analyzed with SPSS version 25 using univariate analysis with the chi-squared test and binary logistic regression analysis. Results The prevalence of low resilience was 37.4%. Respondents under 25 years were nearly 26 times more likely to show low resilience (OR= 0.038; 95% CI 0.004 - 0.384). Responders with a history of depression and anxiety (OR= 0.212; CI 95% 0.068-0.661) were nearly four to five times more likely to show low resilience. Similarly, respondents willing to receive mental health counselling (OR=0.134 95%CI: 0.047-0.378) were 7.5 times more likely to show low resilience. Participants residing in the same house before the flood were almost 11 times more likely to show low resilience (OR=0.095; 95% CI 0.021- 0.427), and support from the Government of Alberta was a protective factor. Conclusions The study showed demographic, clinical, and flood-related variables contributing to low resilience. Receiving support from the Government was shown to be a protective factor against low resilience. More robust measures must be in place to promote normal to high resilience among flood victims in affected communities. Disclosure of Interest None Declared
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».