Incorporating First Nations Knowledges in Local Disaster Management Plans: A Comparative Analysis of 82 LGAs
Notice bibliographique
Résumé
The socio-economic and human costs from disaster risks in Australia are forecast to rise steeply through 2050. It is increasingly urgent that individuals and communities develop skills, resiliency, and capacity to take action for better risk reduction and management over the long-term. This is critical for Indigenous communities in regional and remote locations who reside at the interfaces closest to sever disaster risks and who are often least able to respond rapidly. However, while research and international frameworks such as the Sendai Framework for Risk Reduction (2015-2030) have identified the necessity of inclusiveness for effective disaster management, policies and agencies have thus far failed to clearly integrate local and Indigenous contexts and practices into planning and response strategies. Better “listening” to, and learning from, Indigenous lived experiences is of paramount importance to move this agenda forward and facilitate the mental shifts required to mobilize policy and practice. As part of a larger project on disaster management in Australian Indigenous communities, several case studies were undertaken to identify trends in inclusive, community-led, disaster management methods. This paper presents preliminary findings using two of the cases as comparative examples of “better listening” – including a remote community in north island of New Zealand and a regional community in Victoria, Australia. The research was conducted using qualitative, semi-structured interviews during 2022-23; in-person and digitally. Transcriptions were thematically analysed using NVivo. The study found that the crucial elements for developing and implementing successful community-led disaster management were: to identify key community partners; to build long-term relationships of trust, genuine consultation and partnerships well before disasters strike through extensive “listening work”; listening to, and acting on, what the community needs while preparing for a disaster; and incorporating community-specific response and recovery plans through continuous engagement and revision of strategies in conjunction with genuine “listening”.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,005 |
| 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 ».