Bibliographic record
Abstract
L’auteur décrit l’ampleur des tsunamis qui ont dévasté partiellement de nombreux pays en Asie du Sud-Est, le 26 décembre 2004, principalement l’Indonésie, le Sri Lanka, l’Inde et la Thaïlande, tuant 300 000 personnes, la plus grande catastrophe humaine de tous les temps, et dont l’ampleur est encore difficile à comprendre. Les premières pensées vont d’abord aux victimes de cette énorme tragédie. Puis, il décrit la contribution financière généreusement apportée dans le monde entier par les gouvernements, les entreprises et les organisations humanitaires dans la foulée de ce drame, incluant l’aide et le support de l’ONU, notamment sur le plan financier et médical. Bien que le bilan des coûts économiques n’était pas encore finalisé, les premières estimations de l’industrie de l’assurance ont situé l’ensemble des pertes assurées entre 5 et 10 milliards de dollars. Les dégâts assurés ne seraient pas très élevés par rapport à l’ensemble des pertes économiques, vu la faible pénétration de l’assurance dans les zones sinistrées. Enfin, il tire certains enseignements initialement dégagés par l’ONU et plusieurs pays qui ont un rôle majeur à jouer sur le plan de la prévention, afin de mieux prévenir les futures catastrophes de cette nature et mieux financer les opérations de secours et de reconstruction.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.009 |
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 teacher head, 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".