La mobilisation lors de l’anticipation d’une situation d’urgence : le défi de la collaboration multi-organisationnelle entre systèmes essentiels
Bibliographic record
Abstract
Lorsqu’un incident survient ou est anticipé, la mobilisation rapide des intervenants clés est prioritaire. Dans un contexte multi-organisationnel comme celui de la gestion de risques liés aux interdépendances entre les systèmes essentiels d’une ville, d’une région ou d’un pays, les intervenants relèvent de multiples entreprises privées, organismes parapublics et gouvernementaux. Il est alors complexe de les alerter et de les mobiliser préventivement dans le but de mieux gérer la situation et d’éviter un effet domino. Dans cet article, Benoît Robert, professeur titulaire à l’École Polytechnique de Montréal et directeur du Centre Risque & Performance (CRP), et Irène Cloutier, associée de recherche au CRP, présentent une approche et un outil, DOMINO, qui permettent la modélisation des interdépendances entre systèmes essentiels et des effets domino. Leur utilisation combinée facilite aussi la mobilisation préventive des intervenants, comme c’est actuellement le cas dans la Ville de Montréal. Elle utilise cet outil dans la planification des mesures de protection entre les réseaux de la ville, pour des exercices en sécurité civile et afin d’établir des cartographies de risques pour des aléas naturels.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.003 | 0.006 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".