Türkiye’s Road to Recovery after the 2023 Kahramanmaras Earthquake: Lessons from Chile, Japan, and Nepal
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
The 2023 Türkiye-Syria earthquake sequence is one of the biggest disasters Türkiye has ever encountered. The loss of lives and properties by the earthquake indicates that the country was not prepared for such a level of disaster. Moving forward, it is critical for Türkiye to prioritize effective disaster recovery efforts and foster a culture of disaster resilience. Disaster recovery is a multifaceted, complex issue that requires effective planning, coordination, well-defined objectives, and community support to succeed. The present study focuses on proposing a recovery framework for affected areas in Türkiye based on a review of existing recovery mechanisms as well as lessons learned from previous recovery efforts in Türkiye and in Chile, Japan, and Nepal. It also includes the outcomes of focused ground discussions and field interviews conducted during the post-2015 earthquake recovery phase in Nepal and during the 2023 reconnaissance study in Türkiye. This study underscores the significance of implementing the “leave no one behind” principle of the Sustainable Development Goals (SDGs) alongside community participation, strong institutional leadership, quality-focused reconstruction, capacity building, building code enforcement, and retrofitting as essential components of an effective and comprehensive recovery strategy. The study serves as a valuable resource for policymakers, decision makers, development partners, and various stakeholders engaged in the recovery process.
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 | 0,001 |
| 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) | 0,001 | 0,001 |
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