Participatory Visual Methods and the Mobilization of Community Knowledge: Working Towards Community-Derived Disaster Risk Management in the Context of Advancing Climate Change
Notice bibliographique
Résumé
Understanding climate-related challenges and generating effective interventions against them often lacks the knowledge of those who directly experience those challenges as a lived reality. We use the ‘Water and Fire’ project as an example of a research process undertaken to mobilize community knowledge on environmental disaster risk management. We worked with site-specific groups of community-based co-researchers who live in three marginalized areas of Cape Town that are susceptible to fire outbreaks, flooding, and water scarcity. We took a layered participatory visual methods approach, including digital storytelling, community mapping and photovoice, to differentially demonstrate how these hazards are experienced at household, neighbourhood, and community levels from the perspective of community-based co-researchers. The on-going enquiry enabled the co-researchers to illustrate and describe the biggest challenges they face and propose what they see as the most practical and promising solutions. We then facilitated a process of participatory analysis, triangulation of data and democratic decision-making amongst the co-researchers, through which they formulated a series of community-derived ‘Best Bets’ to better manage disaster risks. As part of the analysis, the co-researchers selected the stories, maps and photographs they wanted to present at stakeholder engagement events in making a case for the relevance and urgency of their Best Bets. We conclude that the participatory visual methods approach taken in the ‘Water and Fire’ project can be used as a model to strengthen the mobilization of local knowledge and further possibilities for community-derived disaster risk management in the context of advancing climate change.
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 | 0,407 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,004 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».