Dataset for "A probabilistic social vulnerability index to assess spatio-temporal vulnerability dynamics using Bayesian machine learning"
Notice bibliographique
Résumé
This dataset and accompanying Python codes support the published article “A Probabilistic Framework for Spatio-Temporal Social Vulnerability Assessment to Flood Hazards in Canada using Bayesian Machine Learning” by Chakraborty et al. (2026), published in the Journal of Geovisualization and Spatial Analysis. The repository includes geospatial data layers (shapefiles), socioeconomic indicators, and racial/ethnic variables used to construct a probabilistic social vulnerability index through Bayesian machine learning and Monte Carlo simulation. Data preprocessing, spatial analysis, and modeling were conducted using GIS and Python. The Python codes are provided as Jupyter Notebook source files and are specifically designed to support risk analysis at the census dissemination area (DA) geographic level. This dataset is intended to support reproducible research and further applications in disaster risk reduction, dynamic social vulnerability assessment, probabilistic risk analysis, and environmental justice research. All datasets and codes are associated with and derived from the published Springer Nature article and are subject to copyright under Springer Nature. Users are required to provide appropriate reference, and citation to the original publication for any reuse, redistribution, or derivative work. Required citation (APA style):Chakraborty, L., Taherimashhadi, H., Thistlethwaite, J., et al. (2026). A probabilistic framework for spatio-temporal social vulnerability assessment to flood hazards in Canada using Bayesian machine learning. Journal of Geovisualization and Spatial Analysis, 10(3). https://doi.org/10.1007/s41651-025-00247-y
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,039 | 0,024 |
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 source (Gemma direct ou Codex distillé), 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 ».