Notice bibliographique
Résumé
Om de zelfredzaamheid van burgers bij rampen en incidenten te vergroten is het belangrijk dat mensen zich bewust worden van de risico’s in hun eigen omgeving. In deze studie hebben we geïnventariseerd hoeveel gemeenten op dit moment hun burgers informeren over deze risico’s, en zo ja, op welke manier zij dit doen. Daarnaast hebben we op basis van de literatuur over risicoperceptie, innovatieve vormen van risicocommunicatie bedacht die mensen bewuster maken van de risico’s die hen bedreigen en hen aanzetten tot voorbereidend gedrag. Achtenveertig gemeenten werden aangeschreven en 21 gemeenten hebben daadwerkelijk de vragenlijst ingevuld en geretourneerd. Met name de gemeenten die het belang van risicocommunicatie inzien hebben de vragenlijst ingevuld, waardoor de resultaten waarschijnlijk een positiever beeld schetsen dan daadwerkelijk het geval is. Uit de resultaten bleek dat de helft van de onderzochte gemeenten een eigen interventie voor de communicatie van risico’s heeft ontwikkeld. De andere helft heeft zich aangesloten bij de nationale Denk Vooruit campagne van de nationale overheid en wijst burgers via onder andere folders, de gemeentesite en de gemeentegids op deze campagne. Of mensen zich wel of niet voorbereiden op rampen hangt meer samen met de mate waarin men zich zorgen maakt dan met kennis van feitelijke risico’s. Om ook deze affectieve kant van risicoperceptie aan te spreken zouden interventies onwikkeld moeten worden die een directe affectieve reactie oproepen. Een van de mogelijkheden om mensen de gevolgen van een ramp of incident te laten ervaren is om oefeningen te doen in een virtuele wereld. Een andere manier is om risico’s te communiceren via verhalen. Met verhalen communiceren mensen niet alleen kennis maar ook de emotionele betekenis van een gebeurtenis. Deze vormen van risicocommunicatie maken mensen wellicht meer bewust van risico’s op een ramp of incident.
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 | 0,009 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,006 |
| Communication savante | 0,013 | 0,008 |
| Science ouverte | 0,002 | 0,012 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,054 | 0,010 |
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 ».