MétaCan
Menu
Retour à la cohorte
Enregistrement W4404929312 · doi:10.1016/j.emospa.2024.101054

Beyond fear: The role of emotions in disaster risk reduction in the face of climate change

2024· article· en· W4404929312 sur OpenAlexafffund
Gonzalo Lizarralde, Steffen Lajoie, Kevin Gould, Claudio Araneda, Ilian Cruz-Panesso, Julia Helena Díaz, Elsa Monsalve, Roberto Burdiles, Benjamín Herazo, Holmes Páez, Arturo Valladares, Lisa Bornstein, Andrés Olivera, Gonzalo González, Oswaldo López, Adriana López

Notice bibliographique

RevueEmotion, space and society · 2024
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueDisaster Management and Resilience
Établissements canadiensMcGill UniversityCegep Edouard MontpetitConcordia UniversityUniversité de MontréalHEC Montréal
Organismes subventionnairesInternational Development Research Centre
Mots-clésFace (sociological concept)Climate changeDisaster risk reductionReduction (mathematics)PsychologyEnvironmental scienceEnvironmental resource managementSociologyOceanographyGeologySocial science

Résumé

récupéré en direct d'OpenAlex

Most studies and policy in disaster risk reduction have focused on either what people lack (their vulnerability or their capacities to deal with risk (their resilience). Few studies and decision-making processes have focused on the role of emotions in informal urban settings. However, the results of a four-year study including interviews, three international workshops, and 24 community-led initiatives of risk reduction in Cuba, Colombia, and Chile, shows that emotions play a fundamental role in the design and planning of grassroots initiatives. Anxiety, pride, anger, uncertainty, and awe are crucial in risk-related agency. These emotions help building leadership and engagement and are decisive in establishing empathy, trust, and legitimacy—all which constitute the basis for change towards social and environmental justice. Phenomenology can help address connections between emotions, agency, and space. To succeed, risk response frameworks must recognize the interplay between emotions, behaviors, and politics.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,184
Score d'incertitude au seuil0,160

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,276
Écart entre enseignants0,263 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEmotion, space and societyMême sujetDisaster Management and ResilienceTravaux en français237 207