National Survey Identifies Disaster Preparedness Gaps in Philippine Libraries
Notice bibliographique
Résumé
A Review of: Superio, D. L., Yap, J. M., Sebial-Guinanao, J. M. L., & Calilung, R. P. (2024). When a disaster strikes: Are libraries in the Philippines ready? IFLA Journal, 50(2), 322-340. https://doi.org/10.1177/03400352231222039 Objective – To assess the level of disaster preparedness and management practices of Philippine libraries. Design – Web-based survey questionnaire. Setting – Online survey conducted between March and May 2019. Subjects – Ninety head librarians or officers-in-charge of academic (52), school (24), public (8), or special (6) libraries in the Philippines. Methods – Participants were recruited online by convenience and snowball sampling. Invitations were posted on the Facebook pages of various library associations and councils and shared through personal posts and messages. Main Results – Thirty-nine (43%) of the respondents indicated that their libraries had experienced at least one natural or human-caused disaster between 2009 and 2019, including earthquakes (18%), floods (18%), typhoons (16%), and fires (10%). However, only 21 (23%) of the surveyed libraries had a formal disaster management plan (DMP). Limited financial (51%) and human (41%) resources were the most frequently identified constraints for the lack of DMP. Even so, most libraries did employ some preparedness measures, such as fire and theft alarms (63%), emergency kits (59%), or scheduled trainings or drills (46%). Conclusion – Noting the limited capacity to prepare for and respond to disasters at most Philippine libraries, the researchers called for systematic interventions by national and local government agencies and library associations to provide the necessary resources and training to improve knowledge around and capabilities for disaster resilience across all types of libraries.
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 | 0,002 | 0,006 |
| 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 | 0,002 | 0,429 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».