Forensic investigations of disasters: Past achievements and new directions
Notice bibliographique
Résumé
In the 2020s, understanding disaster risk requires a strong and clear recognition of values and goals that influence the use of political and economic power and social authority to guide growth and development. This configuration of values, goals, power and authority may also lead to concrete drivers of risk at any one time. Building on previous disaster risk frameworks and experiences from practice, since 2010, the 'Forensic Investigations of Disasters (FORIN)' approach has been developed to support transdisciplinary research on the transformational pathways societies may follow to recognise and address root causes and drivers of disaster risk. This article explores and assesses the achievements and failures of the FORIN approach. It also focuses on shedding light upon key requirements for new approaches and understandings of disaster risk research. The new requirements stem not only from the uncompleted ambitions of FORIN and the forensic approach but also from dramatic and ongoing transformational changes characterised by climate change, the coronavirus disease 2019 (COVID-19) pandemic and the threat of global international confrontation, among other potential crises, both those that can be identified and those not yet identified or unknown. Contribution: Disasters associated with extreme natural events cannot be treated in isolation. A comprehensive "all risks" or "all disasters" approach is essential for a global transformation, which could lead to a better world order. To achieve this, an Intergovernmental Panel for Disaster Risk is suggested to assess risk science periodically and work towards sustainability, human rights, and accountability, within a development and human security frame and on a systemic basis and integrated perspective.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 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 ».