Training the next generation of disaster risk managers through sustainability research and teaching
Bibliographic record
Abstract
La gestión del riesgo de desastres es una parte integral de la sostenibilidad, y los currículos que se enfocan en la sostenibilidad pueden ser ampliados para incluir la gestión del riesgo de desastres. El David O’Brien Centre for Sustainable Enterprise de Concordia University investiga y enseña la gestión del riesgo de desastres a través de la participación en proyectos colaborativos de la red Future Earth de la Organización de las Naciones Unidas (ONU) para el desarrollo de una Red de “Conocimiento para la Acción” para un Sistema Económico Financiero y Sostenible (SFES-KAN). SFES-KAN busca alinear el sistema financiero actual con los Objetivos de Desarrollo Sostenible de la ONU por medio de la identificación de vacíos en la investigación y la facilitación de una investigación interdisciplinaria entre los académicos, profesionales y legisladores con el fin de llenar dichos vacíos. Nuestra investigación acerca de estos temas de gestión del riesgo e inversiones sostenibles, al igual que para el proyecto SFES-KAN, se ha convertido en investigación sobre gestión del riesgo de desastres y ha conducido al desarrollo curricular de estos temas. El objetivo de este artículo es el de brindar a otras instituciones ejemplos e información estratégica acerca de cómo traducir la investigación de sostenibilidad, interdisciplinaria y orientada a las soluciones, a investigación y currículos sobre gestión del riesgo de desastres.
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 | 0.010 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.008 | 0.007 |
| Open science | 0.003 | 0.012 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.035 | 0.011 |
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".