Incorporating a Public Transit Equity Lens in Evacuation Planning
Notice bibliographique
Résumé
Disasters caused by extreme weather and human-initiated events continue to disproportionately affect vulnerable and underserved communities. Although these communities often rely on public transit to travel, most North American jurisdictions still lack a fundamental understanding of equity-centered needs or evacuation plans that incorporate public transit use. Consequently, this study conducted a community-centered methodology with eight focus groups in February 2023 among historically underrepresented groups in evacuation planning. Comprising 52 participants in Edmonton, Alberta, the groups included carless residents, people with disabilities, older adults, lower-income households, racial and ethnic minorities, recent immigrants, parents/guardians of young children, and women. Thematic analysis of the focus group data was performed using MAXQDA. Participants identified challenges and concerns related to public transit costs, possible overcrowding, and inadequate assistance services for people with disabilities and the medically fragile during evacuations. The focus groups largely looked to emergency management offices and transportation agencies to ensure public transit reliability, affordability, and accessibility. Surprising references were also made to public transit as a potential tool for building community cohesion and reducing sentiments of anxiety during disasters. Finally, we found that each group had specific insights based on their vulnerability. For example, whereas lower-income households prioritized increased frequency of transit services during emergencies, older adults called for trained medical staff and accessibility features. We offer several policy recommendations to enhance both resilient and equitable evacuation planning.
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 | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».