Four core principles to reconcile sociocultural conditions and disaster risk reduction in pursuit of community resilience
Notice bibliographique
Résumé
As environmental risks, particularly climate change, exacerbate vulnerabilities, Disaster Risk Reduction (DRR) has increasingly prioritised community protection. However, communities’ unique and contextual nature often renders top-down risk management efforts unsustainable or ineffective. To address these limitations, the community-based approach (CB) has emerged as a promising alternative. It is grounded in four interdependent principles: local participation, valuing diversity and inclusivity, integrating local and indigenous knowledge, and building local capacities for greater autonomy. Each of its principles benefits each other through a dynamic of interconnection and interdependence, which collectively ensure that DRR strategies are tailored to each community's specific needs, strengths, and sociocultural contexts. By promoting decentralised decision-making, participatory governance, co-production, and social learning, the CB approach aligns DRR efforts with local realities, making them more sustainable and effective. Although challenging to implement due to resource constraints and political dynamics, CB remains a vital pathway for building long-term community resilience in the face of evolving environmental risks. This paper provides a comprehensive framework for aligning DRR strategies with sociocultural conditions, offering practical insights and actionable recommendations to enhance community resilience.
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 | 0,015 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,039 |
| Communication savante | 0,009 | 0,006 |
| Science ouverte | 0,002 | 0,013 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».