MétaCan
Menu
Retour à la cohorte
Enregistrement W4410064215 · doi:10.1038/s41598-025-98714-5

Enhancing community resilience to ice-jam floods through individuals’ mitigation efforts

2025· article· en· W4410064215 sur OpenAlexaffabout
Mohammad Ghoreishi, Brandon Bellows, Karl‐Erich Lindenschmidt

Notice bibliographique

RevueScientific Reports · 2025
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueDisaster Management and Resilience
Établissements canadiensGlobal Institute for Water SecurityUniversity of Saskatchewan
Organismes subventionnairesnon disponible
Mots-clésFlood mitigationFlood mythBusinessIncentiveEnvironmental planningFlooding (psychology)Community resiliencePsychological interventionResilience (materials science)Psychological resilienceEnvironmental resource managementDamagesRisk analysis (engineering)Computer sciencePsychologyPolitical scienceEconomicsGeography

Résumé

récupéré en direct d'OpenAlex

Due to its rapid occurrence and potential for severe damage, ice-jam flooding poses a major threat to riverine communities in cold regions like Canada. Mitigating these flood damages requires public and private strategies. This study investigates the socio-economic and psychological factors influencing residents' ice-jam flood mitigation decisions in Fort McMurray, Canada, by the integration of Protection Motivation Theory (PMT) and the Transtheoretical Model (TTM). To fulfill this goal, we conducted a structured survey among the sampled residents. Key factors such as threat experience appraisal, self-efficacy, and perceived costs turn out to be the important factors in flood mitigation actions. This study suggests that policy approaches should be diversified toward the unique needs of different groups, such as renters and homebuyers, to have a more inclusive policy. Stage-specific interventions are needed, as people at different decision-making stages need strategies that are specifically tailored to adopt protective behaviours. Policies should focus on a tailored approach to enhance self-efficacy by providing specific communication and a step-by-step guide on mitigation strategies. Practical supporting measures should also be pursued as financial incentives and low-cost services that reduce cost barriers and foster the adoption of mitigation actions.

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)0,006
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,466
Score d'incertitude au seuil0,998

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0060,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0040,001
Communication savante0,0010,001
Science ouverte0,0010,000
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 Opus0,018
Tête enseignante GPT0,324
Écart entre enseignants0,306 · 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.

Devis d'étudeSans objet
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
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueScientific ReportsMême sujetDisaster Management and ResilienceTravaux en français237 207