Un retour d’expérience graphique sur la crise cyclonique de 2017 aux Antilles
Bibliographic record
Abstract
Réaliser le retour d’expérience d’une crise extrême, telle la crise cyclonique de 2017 aux Antilles françaises, est une procédure délicate et complexe. Elle nécessite non seulement d’intégrer les contraintes et incertitudes liées au passage de trois cyclones majeurs, mais également les effets des actions et décisions prises par l’important réseau des acteurs mobilisés à tous les niveaux d’intervention. La capitalisation d’expériences individuelles et collectives au sein d’un RETEX unique est donc primordiale pour optimiser la prise de décision en conduite de crise « hors-norme », notamment dans un contexte de changement climatique aux effets imprédictibles. Dans cet article, nous proposons un retour d’expérience sous la forme d’une base de données graphique qui intègre des informations hétérogènes et descriptives des aléas, des actions menées, des interactions entre les services, etc. Il s’agit, in fine , d’enrichir les connaissances et d’appuyer les décisions, à tous les niveaux (opérationnel, tactique et stratégique), tant dans le public que dans le privé.
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 | 0.003 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.006 | 0.007 |
| Scholarly communication | 0.007 | 0.006 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.010 | 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".