Unveiling global humanscapes: harmonised subnational socio-economic datasets for understanding societal changes and enhancing risk assessments
Notice bibliographique
Résumé
One of the bottlenecks in global risk assessment studies is the lack of global sub-national socio-economic datasets spanning the past decades. To bridge this gap, we have compiled 12 global sub-national socio-economic datasets covering cultural diversity, economic conditions, demographics, equity, governance, health, and social well-being. These datasets form a harmonised global socio-economic data cube with annual data for 1990-2021. The data is with either a gridded or sub-national level resolution, except for political stability, which is available only at the national level.We further introduce 'humanscapes,' a novel concept designed to capture complex socio-economic realities at a sub-national level. Humanscapes reflect the interplay of these different datasets, covering over 28,000 administrative units, and are analysed using self-organising maps (SOM) to highlight unique sub-national characteristics. Humanscapes offer a refined method for understanding and mapping societal changes.Our socio-economic data cube enhances precision in global and continental risk assessments by providing comprehensive socio-economic contexts previously unavailable. It thus opens new possibilities in assessing vulnerability to natural hazards on a global scale, aligning with frameworks like the Sendai Framework and the Paris Agreement.
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 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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».