Systematic Mapping of Global Research on Disaster Damage Estimation for Buildings: A Machine Learning-Aided Study
Notice bibliographique
Résumé
Research on disaster damage estimation for buildings has gained extensive attention due to the increased number of disastrous events, facilitating risk assessment, the effective integration of disaster resilience measures, and policy development. A systematic mapping study has been conducted, focusing on disaster damage estimation studies to identify trends, relationships, and gaps in this large and exponentially growing subject area. A novel approach using machine learning algorithms to screen, categorise, and map the articles was adopted to mitigate the constraints of manual handling. Out of 8608 articles from major scientific databases, the most relevant 2186 were used in the analysis. These articles were classified based on the hazard, geographical location, damage function properties, and building properties. Key observations reveal an emerging trend in publications, with most studies concentrated in developed and severely disaster-affected countries in America, Europe, and Asia. A significant portion (68%) of the relevant articles focus on earthquakes. However, as the key research opportunities, a notable research gap exists in studies focusing on the African and South American continents despite the significant damage caused by disasters there. Additionally, studies on floods, hurricanes, and tsunamis are minimal compared to those on earthquakes. Further trends and relationships in current studies were analysed to convey insights from the literature, identifying research gaps in terms of hazards, geographical locations, and other relevant parameters. These insights aim to effectively guide future research in disaster damage estimation for buildings.
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 | 0,001 |
| 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 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 ».