Identifying and analyzing barriers to ship-based evacuation planning using AIS data
Notice bibliographique
Résumé
Coastal communities face distinct challenges in disaster response and crisis management, shaped by their unique geographical and demographic characteristics. This study departs from traditional emergency evacuation ideas by highlighting the use of Automatic Identification System (AIS) ship tracking data to improve evacuation planning for coastal populations. There remains a limited understanding of the barriers hindering humanitarian organizations (HOs) from fully integrating this technology into coastal community planning. This is evident in the scarce literature on the subject, with only one study exploring the feasibility of evacuation planning using AIS data. To examine the barriers to the adoption of AIS-based evacuation planning, Leavitt’s Diamond model was used as a conceptual framework. A mixed-method approach was employed to identify and analyze these barriers. Bhasan Char, a small island in the Bay of Bengal, serves as the research context for this study. The island is vulnerable to weather events, posing safety risks to its population of approximately 30,000 Rohingya refugees who fled from Myanmar. The study uniquely identifies governmental restrictions, training and education, and cultural sensitivity as primary drivers, emphasizing their critical role in shaping effective evacuation efforts. For instance, reforms to governmental restrictions are particularly pivotal, as they profoundly influence systemic challenges, including lack of coordination, policy ambiguity, absence of standard operating procedures, resource allocation inefficiencies, and emergency response limitations. By focusing on these primary drivers, this research provides a strategic framework for enhancing the effectiveness of evacuation planning efforts using AIS technology.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».