Lessons Learned in Dealing with Large-Scale Disasters
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
Many OECD countries have been affected by major harmful events in recent years. The considerable human and economic costs of such events and the repercussion they might have for the global economy have become recurring causes for concern. Given its intergovernmental and multidisciplinary nature, and its experience in risk and disaster management in a variety of fields, the OECD is well positioned to analyse the impact of major disasters on societies and economies, and to identify optimal practices in response and recovery phases. To this end, the OECD’s International Futures Programme supervised a team of specialists from eight OECD directorates, and a team of Turkish specialists who provided the material for chapter 3. The report was prepared between May and July 2003. This report analyses the economic and social impacts of recent large-scale disasters, and draws some initial lessons for the monitoring and the management of future disasters. The report primarily focuses on restoring trust and securing recovery after a major harmful event has occurred. The events reviewed are as diverse as the Chernobyl nuclear accident, the Kobe and Marmara earthquakes, Hurricane Andrew, and the 11 th September terrorist attacks on New York and Washington. Disasters such as these have in common massive effects on large concentrations of people, activity and wealth. They disrupt multiple vital Systems such as energy supplies, transport and communications. Their effects spread beyond the region originally affected and generate widespread anxiety. In some cases, the public expresses distrust of the ability of governments to protect citizens.
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) | 0,000 | 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