MétaCan
Menu
Retour à la cohorte
Enregistrement W4406428318 · doi:10.1038/s44304-024-00056-1

Aging dams, political instability, poor human decisions and climate change: recipe for human disaster

2025· article· en· W4406428318 sur OpenAlexaff
Manoochehr Shirzaei, Farshid Vahedifard, Nitheshnirmal Sãdhasivam, Leonard O. Ohenhen, Oluwaseyi Dasho, Ashutosh Tiwari, Susanna Werth, Mohammed Azhar, Yunxia Zhao, Robert J. Nicholls, Amir AghaKouchak

Notice bibliographique

Revuenpj natural hazards. · 2025
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueFlood Risk Assessment and Management
Établissements canadiensUnited Nations University Institute for Water, Environment, and Health
Organismes subventionnairesEuropean Space Agency
Mots-clésRecipeClimate changePolitical instabilityPoliticsNatural resource economicsEnvironmental resource managementPolitical scienceEnvironmental ethicsHistoryEnvironmental planningPsychologyDevelopment economicsGeographyEnvironmental scienceEconomicsEcologyArchaeologyLawBiologyPhilosophy

Résumé

récupéré en direct d'OpenAlex

In Derna, Libya, a record-breaking storm and subsequent dam failures on September 10, 2023, caused over 11,000 deaths. Analyzing satellite data from 2016–2023, we found 1.8 mm/yr of differential settlement in dams contributed to their failure, and flooding damaged ~8570 buildings. We argue that the interplay of aging infrastructure, political instability, climate change, and human decisions drove this disaster, stressing the need for a holistic ‘healthcare’ management approach to prevent future catastrophes.

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)0,000
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: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,700
Score d'incertitude au seuil0,652

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,001
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 Opus0,024
Tête enseignante GPT0,346
Écart entre enseignants0,322 · 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'étudeObservationnel
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

Citations8
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuenpj natural hazards.Même sujetFlood Risk Assessment and ManagementTravaux en français237 207