„Svona á að bjarga fólki“. Um séráætlanir almannavarna
Bibliographic record
Abstract
Ritgerðin fjallar um viðbragðsáætlanir almannavarna. Markmið rannsóknarinnar er að varpa ljósi á reynslu aðgerðastjórnenda af nýrri kynslóð séráætlana sem mælt var fyrir um í lögum um almannavarnir árið 2008. \nLeitað er upplýsinga um notagildi séráætlana við aðgerða- og vettvangsstjórnun. Jafnframt hvort hægt sé að lýsa inntaki þeirrar eflingar sem talin er felast í beitingu séráætlana og hvernig sá árangur birtist. Þá er varpað ljósi á viðhorf lykilaðila til séráætlana í ljósi framtíðarþróunar stofnana og skipulags. \nUm er að ræða tilviksrannsókn þar sem beitt er eigindlegri rannsóknaraðferð með áherslu á Vancouver-skólann í fyrirbærafræði. Tekin voru tíu djúpviðtöl við stjórnendur lögreglu og sérfræðinga almannavarna auk þess sem fjölþætt gagnagreining fór fram ásamt vettvangsathugunum. Niðurstöður eru settar í fræðilegt samhengi áfallastjórnunar, stefnumótunar, breytingastjórnunar og þekkingarstjórnunar. Auk þess er aðferðum verkefnamats beitt, stöðumat framkvæmt og ábendingar settar fram. \nHelstu niðurstöður rannsóknarinnar eru að með markvissri og samræmdri gerð sértækra viðbragðsáætlana almannavarna sé stigið framfaraskref. Jafnframt er unnt að lýsa árangri af þeirri reynslu sem orðin er af smíði séráætlana, þjálfun og beitingu. Þá er sýnilegt að áframhaldandi þróun felur í sér sóknarfæri til frekari árangurs og eflingar fyrir almannavarnir og viðbragðskerfið í heild. Enn fremur er hægt að skilgreina tækifæri jafnt sem ógnir er leiða má af mögulegum breytingum í stofnanaumhverfi séráætlana, m.a. varðandi hættu á skorti á staðarþekkingu. Frekari rannsóknir og greining á viðfangsefnum almannavarna og skipulagi er og talin nauðsynleg.
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.003 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.027 |
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; both teacher heads agree on what is shown here.
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".