La distribution des connaissances dans la gestion du risque : \nanalyse des interactions dans le cadre du Comité de la protection civile de la Mairie de Tecoluca - Salvador
Bibliographic record
Abstract
Le sujet de la gestion du risque mâa toujours interpelée, surtout après que jâai vécu deux ouragans et un tremblement de terre dévastateurs au Salvador. Bien quâon ait assez écrit sur le sujet en le reliant souvent aux changements climatiques, on ne sait pas comment les organisations gouvernementales et civiles vivent cette gestion du risque au quotidien. à partir dâune étude ethnographique de la Commission de la protection civile de la Mairie de Tecoluca au Salvador, jâobservais les processus qui se mettent en place dans la recherche et lâanalyse des facteurs structuraux causant les situations de vulnérabilité. Pour ce faire, jâadoptais une approche basée sur lâétude des interactions, mobilisant les théories de la cognition distribuée et de lâacteur réseau. Comme je le montre, la gestion du risque, vue comme un processus participatif, se caractérise, dâune part, par la coopération et la coordination entre les personnes et, dâautre part, par la contribution dâoutils, de technologies, de documents et de méthodes contribuant à la détection de risques. Ceci exige la mobilisation de connaissances qui doivent être produites, partagées et distribuées entre les membres dâun groupe à travers les divers artéfacts, outils, méthodes et technologies quâils mobilisent et qui les mobilisent. à ce sujet, la théorie de la cognition distribuée permet dâexplorer des interactions qui se produisent au sein dâun groupe de travail en se focalisant sur ce qui contribue à lâacte de connaitre, conçu comme une activité non pas seulement individuelle, mais surtout collective et distribuée. Par ailleurs, la théorie de lâacteur-réseau me permet, quant à elle, de montrer comment dans lâexécution de cette tâche (la gestion du risque), la contribution active dâacteurs non humains, tant en soi quâen relations avec les acteurs humains, participe de lâactivité de détection et de prévention du risque.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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".