MétaCan
Menu
Retour à la cohorte
Enregistrement W7039115838

Le plan intercommunal de sauvegarde : « de la conception à la mise en œuvre »

2024· dissertation· en· W7039115838 sur OpenAlexaff

Notice bibliographique

RevueHAL (Le Centre pour la Communication Scientifique Directe) · 2024
Typedissertation
Langueen
DomaineComputer Science
ThématiqueAdvanced Graph Neural Networks
Établissements canadiensInstitute on Governance
Organismes subventionnairesnon disponible
Mots-clésContext (archaeology)Face (sociological concept)Work (physics)
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The world is facing an increase in natural disasters, such as heatwaves, wildfires, floods, storms, earthquakes, and volcanic eruptions. These events, which are becoming more frequent and intense, are causing significant damage and loss of life. In France, natural risks are particularly high, as evidenced by the 2003 heatwave, the 2010 Xynthia storm, the 2017 Hurricane Irma, and the 2022 wildfires.In the face of these growing threats, it is crucial to implement risk prevention and management measures. Communal Safeguard Plans (PCS) and Intercommunal Safeguard Plans (PICS) play an essential role in preparing municipalities and inter-municipalities to deal with natural disasters.PICS, in particular, allow the member municipalities of an inter-municipality to pool their resources and coordinate their actions in the event of a crisis. They must be adapted to the specificities of each territory and take into account the diversity of risks to which populations are exposed. The implementation of these plans requires close collaboration between municipalities, government departments, and other local actors.Preparedness and risk management are essential to protect populations and limit the damage caused by these events. PICS, if well-designed and implemented, can be valuable tools for strengthening the resilience of territories.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,037
Score d'incertitude au seuil0,074

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,005
Communication savante0,0070,005
Science ouverte0,0010,002
Intégrité de la recherche0,0030,004
Charge utile insuffisante (le modèle a refusé de juger)0,0090,003

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,242
Écart entre enseignants0,234 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHAL (Le Centre pour la Communication Scientifique Directe)Même sujetAdvanced Graph Neural NetworksTravaux en français237 207