Recommendations for Improving Civilian-Military Disaster Coordination: A Systematic Review of an International Bio-Disaster Response Utilizing Interoperability Assessment Models
Notice bibliographique
Résumé
Background/Introduction: Disasters strain coordination efforts between groups. Interoperability is best assessed while in process, but retrospective analysis can also illuminate problems and identify solutions. COVID-19 created an international public health crisis that required civilian-military response in many locations, creating an opportunity to evaluate interoperability of multiple international systems at a single moment in time confronting a single crisis. Objectives: This project uses three published interoperability models to identify interoperability activities during the COVID-19 pandemic. That data was then utilized to assess the interoperability effectiveness. The data was also utilized to develop a framework for assessing a group’s current interoperability and assist with improvement goals. Method/Description: Papers on civilian-military interoperability during COVID-19 were identified utilizing a search of medical literature. They were then assessed using three interoperability models: Joint Emergency Services Interoperability Program (JESIP), Organizational Interoperability Maturity Model (OIMM), and the Homeland Security Interoperability Continuum (HSIC). Results/Outcomes: Of the 48 articles discussing interoperability criteria, the most common coordination criteria were shared situational awareness, joint understanding of risk, and standard operating procedures. The least likely interoperability criteria seen during international civilian-military COVID-19 disaster responses were co-location, preparedness, shared technology, prior training exercises, and previous experience. Utilizing this data, a combined interoperability assessment model was created for organizations to utilize to evaluate and improve their current level of interoperability. Conclusion: Disaster focused organizations with different cultures yet potential future interactions should perform an initial interoperability self-assessment to determine their current level of coordination. They should then follow the next steps for improving interoperability before the next disaster strikes.
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 | 0,063 | 0,171 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,013 |
| Bibliométrie | 0,041 | 0,028 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,007 | 0,012 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».