Lessons from the Implementation of the Sendai Framework for Disaster Risk Reduction from Latin America and the Caribbean
Notice bibliographique
Résumé
Abstract Over the past decade, Latin America and the Caribbean (LAC) have made progress in implementing the Sendai Framework for Disaster Risk Reduction 2015–2030 (SFDRR). Still, significant challenges remain in assessing its impact. The region’s high levels of inequality and vulnerability to disasters continue to hinder the effectiveness of disaster risk reduction (DRR) efforts. This article emphasizes the importance of a multi-stakeholder approach in SFDRR implementation, particularly the role of regional intergovernmental organizations (IGOs) and networks that promote collaboration among civil society, the private sector, Indigenous peoples, persons with disabilities, youth, and marginalized groups. Despite government efforts to integrate SFDRR into national policies, gaps in stakeholder engagement, resource allocation, and governance limit DRR effectiveness. The article underscores the value of co-production for involving communities to contribute to designing DRR strategies that address their specific needs. Co-produced strategies can bridge the gap between high-level policies and practical solutions by leveraging local knowledge and fostering partnerships. The review of regional networks’ efforts highlights the central role of IGOs in coordinating DRR strategies. These networks help create innovative solutions that empower communities. The article advocates for thinking about the subsequent phases post-SFDRR, drawing on the lessons from the regional networks and calls for more strategic collaborations and experimentation as a model to promote effective governance of DRR by engaging multiple stakeholders to design and pilot locally-driven solutions that can accelerate the implementation of the priorities of the SFDRR to reduce disaster risks in LAC through collaborations that build capacity through action and ensure meaningful engagement.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,024 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,012 | 0,009 |
| Communication savante | 0,013 | 0,005 |
| Science ouverte | 0,003 | 0,013 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 source (Gemma direct ou Codex distillé), 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 ».