بازاندیشی در تعامل: نوآوری‌ها در چگونگی کشف اطلاعات جغرافیایی توسط انسان‌دوستان

خلاصه

هنگامی که کارکنان بشردوستانه برای پیوند دادن اطلاعات جغرافیایی به مدیریت بلایا شروع به یادگیری و گفتگو می کنند، فعالیت هایی که با آن مواجه می شوند معمولا دشوارتر از جالب است. با توجه به حجم کار غیرقابل مدیریت بشردوستانه، چگونه می توان کسب و به کارگیری مهارت ها و ابزارهای جمع آوری و تجزیه و تحلیل داده های مکانی را تسریع کرد؟ چگونه می توان متخصصان را در تجربه ارزش و محدودیت های ابزارهای جدید در دسترس مشارکت داد؟ این مقاله یک رویکرد نوآورانه برای غوطه‌ور ساختن مدیران بلایا در اطلاعات جغرافیایی ارائه می‌کند: بازی‌های مشارکتی که ذینفعان را قادر می‌سازد تا مدل‌های پویای سیستم قابل بازی را تجربه کنند که اطلاعات جغرافیایی، تصمیم‌گیری‌ها و پیامدها را به شیوه‌ای جدی و سرگرم‌کننده به هم مرتبط می‌کند. یک چارچوب مفهومی مبانی یادگیری تجربی را از طریق گیم پلی ترسیم می کند. با ارتباطات روشن با یک چارچوب مدیریت ریسک به خوبی تثبیت شده است. دو مطالعه موردی این رویکرد را نشان می‌دهند: یکی شامل مدیریت سیل در رودخانه زامبزی در جنوب آفریقا از طریق بازی UpRiver (در هر دو نسخه فیزیکی و دیجیتال)، و دیگری مربوط به آموزش بانک جهانی در مورد داده‌های باز برای انعطاف‌پذیری است که فعالیت‌های بداهه‌سازی کاربردی را با نیاز به درک و استقرار ابزارهای نرم افزاری مانند Open Street Map و InaSAFE برای مدیریت سرمایه گذاری مدرسه و تخلیه دانش آموزان مدرسه در یک سناریوی سیل شبیه سازی شده برای شهر La Plata، آرژانتین.

کلید واژه ها:

مدیریت بلایا ؛ نامزدی ; بازی ها ; اطلاعات جغرافیایی ؛ بشردوستانه ; نوآوری ؛ داده های باز ؛ زامبیا

1. معرفی

کارگران بشردوستانه، دست اندرکاران توسعه، سازمان دهندگان جامعه و سایر ذینفعان با چالشی دو لبه روبرو هستند. از یک سو، خطرات در نتیجه افزایش خطرات بلایا به سرعت در حال تغییر هستند. تجلی فضایی خطر، آسیب پذیری و قرار گرفتن در معرض به دلیل شهرنشینی، تخریب محیط زیست، تغییر اقلیم و سایر روندها در حال تحول است. در برابر این پس زمینه، پیچیدگی و گستره تصمیمات بشردوستانه ممکن به سرعت در حال گسترش است، به دلیل فناوری های جدید برای به دست آوردن، پردازش، برقراری ارتباط و استفاده از اطلاعات مرتبط در مورد اینکه چه چیزی در کجا قرار دارد و چرا اهمیت دارد. از تصاویر ماهواره‌ای گرفته تا GIS گرفته تا رویکردهای جمع‌سپاری برای جمع‌آوری و تجزیه و تحلیل داده‌ها، مدیران بلایا طیف بی‌سابقه‌ای از ابزارهای تحلیلی را در اختیار دارند تا به آنها در درک و رسیدگی به خطرات کمک کند.1 ].

به منظور کاهش این شکاف، آموزش کارکنان موجود بر روی ابزارهای جدید با روش های قدیمی کافی نخواهد بود: یادگیری و استفاده مناسب از ابزارهای اطلاعات جغرافیایی نیازمند مدیران فاجعه است که نه تنها جزئیات فنی پیچیده را به دست آورند و حفظ کنند، بلکه موانع احتمالی را نیز درک کنند. شامل ابعاد نهادی، رفتاری، ارتباطی و سایر ابعاد است که به تأخیرها، آستانه ها، بازخوردها و معاوضه هایی که سیستم های پیچیده را شکل می دهند، شکل می دهد [ 2 ]] و بنابراین تعیین می کند که آیا و چگونه دانش به عمل اطلاع می دهد. چگونه می‌توانیم یادگیری و گفتگو در زمینه اطلاعات جغرافیایی را تسریع کنیم؟ چگونه می‌توانیم به مدیران بلایا کمک کنیم تا طیف وسیعی از روش‌ها و رویکردهایی را که می‌تواند به آنها در انجام کارهای بیشتر با زمانشان کمک کند، در شرایطی که عموماً زمان برای یادگیری در دسترس نیست، جذب و هدایت کنند؟

هدف این مقاله بررسی این سوالات با پیوند دادن دو موضوع به ظاهر جدا از هم – اطلاعات جغرافیایی و گیم پلی است. روش های معمول برای آموزش ابزارهای اطلاعات جغرافیایی به ندرت مدیران بلایای طبیعی را در تمایل به یادگیری، همکاری و بداهه سازی درگیر می کند. بسیاری از پلتفرم‌های رایج و در عین حال ناکافی یادگیری یک‌طرفه امروزی فاقد همکاری معنادار یا موقعیت‌هایی هستند که نیاز به تصمیم‌گیری‌های سریع تحت استرس دارند که ماهیت بداهه‌پردازانه مدیران بلایای طبیعی را تقلید می‌کنند – که در بهترین حالت، شرکت‌کنندگان را با کمک کمی به غیر از مشارکت منفعلانه رها می‌کند. آنها می توانند بیش از حد خسته کننده و خشک باشند و منجر به پیشرفت آهسته و نادرست شوند. بی حوصلگی عبارت است از فرستادن مغز به اطلاعات جدید. این احساسی است که وقتی هیچ الگوی جدید یا جالبی برای جذب وجود ندارد، به شما دست می دهد. مغز از این طریق سیری ناپذیر است [ 3]. در مقابل، بازی‌های تعاملی می‌توانند مزایای بیشماری نسبت به اشکال سنتی و خطی آموزش و یادگیری در مورد اطلاعات جغرافیایی ارائه دهند. بازی‌ها این قدرت را دارند که مفاهیم پیچیده را به شیوه‌ای احساسی و جذاب و در عین حال دقیق و مؤثر منتقل کنند. آنها می توانند مصرف کنندگان منفعل اطلاعات جغرافیایی را به بازیگرانی فعال تبدیل کنند که داده ها و ابزارهای جدید را با سهولت بیشتری جذب و نگهداری می کنند و افراد و تیم ها را قادر می سازند تا ارزش و محدودیت های شناخته شده و دانستنی را تجربه کنند. بازی‌هایی که به خوبی طراحی شده‌اند را می‌توان به عنوان موتورهای تجلی، موتورهای شگفت‌انگیز دید. در حین یا بعد از گیم پلی اطلاعات جغرافیایی، می بینیم که مدیران فاجعه “آها!” را دریافت می کنند. بقیه این مقاله به بررسی روش هایی می پردازد که در آنها فعالیت های مشارکتی و بازیگوش می تواند به مدیران بلایا کمک کند تا موثرتر باشند.

2. چرا تعامل بازیگوش برای اطلاعات جغرافیایی؟

برای مدیران بلایا، مانند بسیاری از حرفه های دیگر، یادگیری ضروری است – اما به ندرت به طور موثر در ساختارهای انگیزشی رسمی یا غیررسمی کارشان تعبیه می شود. برای زمینه‌های دانش که از نظر فنی نیاز دارند، مانند سنجش از دور و تجزیه و تحلیل فضایی، یک کارمند بشردوستان ممکن است هنگام مواجهه با نیاز به جذب توده‌ای حیاتی از دانش قبل از استفاده از آن، احساس ارعاب یا حتی وحشت کند. یادگیرندگان با تجربه محدود می توانند دستورالعمل ها را در حال پیچ و خم بی پایان ببینند. همانطور که در شکل 1 نشان داده شده است، مشخص نیست پس از ارائه محتوای مفید ادعا شده به مخاطبان منفعل از یادگیرندگان اطلاعات جغرافیایی چه اتفاقی می افتد.

شکل 1. یک نمایش ساده از تجربه یادگیری مرسوم.

آموزش در اطلاعات جغرافیایی و زمینه‌های مرتبط در دهه گذشته تحت سلطه یک فرمت یادگیری ناامیدکننده بوده است: «مرگ توسط پاورپوینت»، توالی وحشتناک ارائه‌های اسلاید که معمولاً زمان کافی برای پرسش و پاسخ را به دنبال ندارد. گودمن [ 4 ] استدلال می کند که ما ارائه های بد و یک جهته را به عنوان یک واقعیت زندگی می پذیریم. انتظارات پایین به یک هنجار تبدیل می شود و بدون انگیزه واقعی برای بهبود، کیفیت ارائه به نزول اجتناب ناپذیر رو به پایین ادامه خواهد داد. ما می توانیم بهتر عمل کنیم.» با این حال، چنین رویکردی یک هنجار باقی می ماند. هر مدیری در یک سازمان بشردوستانه که از رویکرد سنتی به آموزش و توسعه خارج شود، می‌تواند انتظار انتقاد و پرسش از سازمان خود و سایر ذینفعان را داشته باشد .]. آیا جای تعجب است که سازمان ها در رویکرد خود به آموزش کارکنان محافظه کار هستند و به شدت به آنچه شناخته شده است تکیه می کنند، حتی زمانی که ثابت شده باشد که ناکارآمد است؟ [ 6 ]. یک رویکرد متفاوت و شدیداً تعاملی برای راه اندازی یادگیری پیشرفت مورد نیاز است که می تواند به بهبود تصمیمات بشردوستانه ما با سرعت و مقیاسی که چالش های رو به رشد و فرصت های نوظهور نیاز دارند، کمک کند.

بازی‌های مشارکتی می‌توانند به ما کمک کنند تا در پیچیدگی تصمیم‌های مدیریت ریسک فاجعه «مسکونی» کنیم، و به ما امکان می‌دهد تا از طریق مدل‌سازی پویایی سیستم، کاوش کنیم، سپس ابزارهای اطلاعات جغرافیایی را آزمایش کنیم تا محدوده آینده‌های قابل قبول را تصور کنیم . آلبرت اینشتین زمانی گفت که «بازی‌ها عالی‌ترین شکل تحقیق هستند» [ 7 ]. Abt [ 8 ] به بازی های جدی به عنوان ترکیبی از تمرکز تحلیلی و پرسشگر دیدگاه علمی با آزادی شهودی و پاداش اعمال تخیلی و هنری اشاره کرد. بازی‌هایی که به خوبی طراحی شده‌اند، مانند اقدامات مدیریت ریسک، شامل تصمیم‌هایی با پیامدها هستند [ 9]. در حالی که بازی ها هرگز نمی توانند به طور کامل پیچیدگی تصمیمات مدیریت ریسک فاجعه را به تصویر بکشند، از طریق گیم پلی می توان این پیچیدگی ها را آشکار، بحث و پردازش کرد. از طریق بازی‌ها می‌توانیم یاد بگیریم که سیستم‌ها چگونه کار می‌کنند، و سیستم مبتنی بر بازی همانطور که یاد می‌گیریم به ما پاداش می‌دهد [ 10 ]. بازیکنان از طریق بازی در این سیستم‌ها ساکن می‌شوند، جان می‌بخشند و تفسیر می‌کنند، و مجبورند یاد بگیرند که چگونه یک بازی به خاطر لذت، کشف، رقابت و صرفاً «سرگرمی» کار می‌کند.

بازی‌های مفید شامل سیستم‌های نوظهور می‌شوند، که در هسته شامل آنچه که سالن و زیمرمن [ 11 ] مجموعه‌ای از «مولکول‌های انتخاب» می‌گویند: عمل → نتیجه. به عبارت دیگر، یک واحد تعاملی که یک انتخاب احتمالی را با پیامد متناظر آن در یک سیستم طراحی شده مرتبط می کند. این مولکول‌های انتخابی واحدهایی را تشکیل می‌دهند که طراحان بازی با آن‌ها ساختارهای ارگانیک و بزرگ‌تری از تعامل طراحی شده ایجاد می‌کنند. اگر برای ثبت شرایط اولیه ضروری به علاوه روابط علت و معلولی کلیدی یک سیستم شامل خطرات فاجعه ایجاد شود، یک مدل پویا مبتنی بر بازی می تواند به ما بگوید که چگونه هر شرایط در طول زمان در پاسخ به تغییرات در شرایط دیگر تغییر می کند. بازی ها می توانند اشکال مختلفی داشته باشند، اما در یک سیستم تجربی که در مدل تکراری نشان داده شده در شکل 2 توضیح داده شده است، قرار می گیرند .

شکل 2. تجربه یادگیری از طریق بازی (از Mendler de Suarez و همکاران [ 12 ]، بر اساس Salen و Zimmerman [ 11 ]).

زمانی که بازیکن اقدامی انجام می دهد، سیستم بازی با اعمال قوانین خروجی ایجاد می کند. این خروجی به تصمیم بازیکن، اقدامات بازیکنان دیگر، نیروهای خارجی (مثلاً، میزان بارندگی که توسط یک تاس تعیین می‌شود)، و زمینه (مانند دارایی‌ها و آسیب‌پذیری‌های در حال تکامل هر بازیکن) بستگی دارد. چنین خروجی بعداً به اطلاعاتی در مورد زمینه و انتخاب‌های جدید تبدیل می‌شود، یا تصمیمات بعدی را شکل می‌دهد یا وضعیت برد/باخت را تعیین می‌کند.

چگونه می توان بازی ها را به عنوان ابزاری که امکان یادگیری معتبر و موثر برای کارهای بشردوستانه را فراهم می کند، قاب بندی کرد؟ مندلر دی سوارز و همکاران [ 12 ] مدل تجربه گیم پلی نشان داده شده در شکل 3 را به چارچوب مدیریت ریسک و تصمیم گیری که توسط Omenn [ 13 ] فرموله شده و در شکل 3 در زیر نشان داده شده است، ترسیم کنید.

این چارچوب بیان می‌کند که مدیریت ریسک بلایا، و در نتیجه نقش بالقوه اطلاعات جغرافیایی، یک فرآیند تکراری است که از شش مرحله تشکیل شده است:

(من)

مشکل/زمینه: این مرحله شامل موارد زیر است:

–: شناسایی و مشخص کردن مشکل(های) موجود یا بالقوه ناشی از موقعیت های مخاطره آمیز
–: در نظر گرفتن مشکل در زمینه
–: تعیین اهداف مدیریت ریسک
–: شناسایی مدیران ریسک با اختیار یا مسئولیت اقدام
–: اجرای فرآیندی برای مشارکت ذینفعان

(II)

درک ریسک ها: برای تصمیم گیری موثر در مدیریت ریسک، ذینفعان باید خطرات و آسیب پذیری های احتمالی را بشناسند. فرآیند ارزیابی ریسک شامل جمع آوری و تجزیه و تحلیل این اطلاعات، از جمله داده های جغرافیایی است.

(iii)

شناسایی و ارزیابی گزینه ها: یک گزینه انتخابی از بین گزینه ها است. گزینه ها برای اقدامات بالقوه مدیریت ریسک بلایا بر اساس اطلاعات موجود شناسایی می شوند. اثربخشی، امکان سنجی، هزینه ها، منافع، پیامدهای ناخواسته و اثرات اجتماعی باید ارزیابی شوند.

(IV)

تصمیم گیری: تصمیم عبارت است از انتخاب بین گزینه های ممکن (از جمله گزینه عدم اقدام). تصمیم گیرندگان اطلاعات را برای انتخاب مناسب ترین راه حل بررسی می کنند.

(v)

اقدام: کنش حرکتی است با هدف – فرآیند عمدی انجام کاری. از یک تصمیم ناشی می شود و برای رسیدن به یک هدف در نظر گرفته شده است.

(vi)

ارزیابی: در این مرحله، تصمیم گیرندگان و سایر ذینفعان درباره اقدامات مدیریت ریسک بلایا و میزان اثربخشی آنها فکر می کنند. ارزیابی شامل مقایسه سیستماتیک تأثیر واقعی در برابر مجموعه ای از معیارها یا استانداردها است.

شکل 3. “چارچوب شش مرحله ای برای تصمیم گیری مدیریت ریسک” (از Mendler de Suarez و همکاران [ 12 ]، بر اساس Omenn [ 13 ]).

نکته مهم این است که چارچوب Omenn به صراحت بیان می کند که شش مرحله فوق لازم نیست به طور متوالی دنبال شوند. این چارچوب مرکزیت بسیار واضحی را برای مجموعه‌ای از ذینفعان به تصویر کشیده شده به تصویر می‌کشد که به طور فعال در هر یک از شش مرحله درگیر هستند – اما نه لزوماً در انتقال بین مراحل. هنگامی که این چارچوب با استفاده از فرآیندهای یادگیری و گفتگوی مرسوم به کار گرفته شود، هیچ راه آسانی برای «پرش» مراحل و کشف سریع، از نقطه نظر هر یک از مراحل، وجود ندارد که چگونه مراحل «دور» ممکن است تحت تأثیر قرار گیرند، یا چالش هایی که ممکن است پس از آن پدیدار شوند. این امر به ویژه در مورد جمع آوری و تجزیه و تحلیل داده های مرتبط با اطلاعات جغرافیایی صادق است. باید پذیرفت که در واقعیت عملیاتی کار بشردوستانه، موارد متوالی فراوانی وجود دارد، مراحل جدا شده از یکدیگر و از ذینفعان مختلفی که می توانستند و باید به فکر کردن و عمل کردن در مورد مشکل کمک کنند، جدا شدند. همانطور که تمرین‌کنندگان اغلب می‌گویند: «اگر اینقدر آسان است، چرا اینقدر سخت است؟».

تجربه اخیر نشان می‌دهد که بازی‌های مشارکتی به طور منحصربه‌فردی برای گرفتن پویا این چالش‌ها از طریق یادگیری تجربی مناسب هستند [ 14 ]. مرکز آب و هوای هلال احمر صلیب سرخ بیش از 40 بازی را با موضوعات مختلف از جمله آمادگی در برابر طوفان، ابزارهای مالی، زیرساخت های ساحلی، ابعاد جنسیتی ناامنی غذایی و مذاکرات آب و هوایی طراحی کرده است. جلسات بازی موفق در رویدادهایی که در تعاونی‌های کشاورزان بی‌سواد اتیوپیایی، خدمات هواشناسی اسکاندیناوی، پارلمان اوگاندا و کاخ سفید برگزار می‌شد، تسهیل شد. چنین جلسات گیم پلی با موفقیت به دو نگرانی اصلی در مدیریت بلایا پرداخته است:

پیشرفت می تواند بسیار کند باشد و تکرار به ندرت اتفاق می افتد . در حالی که اطلاعات جغرافیایی ابزارهایی برای نظارت و ارزیابی تغییرات در طول زمان ارائه می‌دهد، سرعت تغییر در خطرات و آسیب‌پذیری‌ها اغلب از توانایی دنیای واقعی برای تکمیل مراحل در چرخه پیشی می‌گیرد. بازخورد حاصل از ارزیابی، مراحل دیگر را به سرعت به اندازه کافی آگاه نمی کند.
نتایج یادگیری و گفتگو می تواند بسیار پراکنده و زودگذر باشد. اغلب فرآیندهای گفتگو که در حال حاضر در اطلاعات جغرافیایی برای مدیریت ریسک بلایا استفاده می شود، تا حدودی به دلیل ایجاد جزیره هایی از دانش در دریای جهل، نتایج کافی را به دست نمی آورند. اقدامات پیشنهادی مبتنی بر تغییر تدریجی و تقسیم‌بندی، احتمالاً به دلیل عدم انسجام نسبت به پویایی کل سیستم، بی‌اثر بوده و پایدار نیستند.

دو مزیت مهم در استفاده از بازی های مشارکتی به عنوان راه هایی برای کشف و گسترش نقش اطلاعات جغرافیایی برای مدیریت بلایا وجود دارد:

فشرده‌سازی زمان و مکان: بازی‌ها اجازه می‌دهند تا در یک فعالیت یک ساعته، آینده‌ای چند ساله یا حتی چند دهه‌ای را شبیه‌سازی کنند و تجربه کنند که چگونه اقدامات امروزی می‌تواند زمینه و انتخاب‌های سال آینده را شکل دهد، که به نوبه خود بر زمینه و انتخاب‌ها تأثیر می‌گذارد. آینده دورتر به طور مشابه، فعالیت های بازیگوش می تواند یک نمایش تخیلی از فضا ایجاد کند که یک دهکده کوچک، یک حوضه رودخانه بزرگ یا حتی کل سیاره را در یک صفحه بازی یا دیگر نمایش های فضایی از جغرافیا فشرده می کند.
آژانس: بازی‌ها روابط بین عناصر سیستم را به گونه‌ای به تصویر می‌کشند که به شخص یا افرادی که با مدل صریح فضایی درگیر هستند، اختیار می‌دهد: تصمیم‌های بازیکنان می‌توانند سیستم را شکل دهند و بر دامنه تصمیمات قابل قبول آینده تأثیر بگذارند. بازی‌ها به‌ویژه برای یادگیری جمعی و پژوهش اقدام مشارکتی مفید هستند [ 15 ].

استرمن [ 16 ] پیشنهاد می کند که عملکرد ضعیف در محیط های پیچیده پویا ناشی از درک نادرست افراد از بازخورد و به ویژه از عدم حساسیت افراد نسبت به بازخوردی است که اقدامات آنها در محیط ایجاد می کند. با توجه به نیاز تصمیم گیرندگان به مدیریت پیچیدگی فزاینده اطلاعات و ابزارهای مکانی، بازی های جدی می توانند نقش مهمی در آموزش سیستم های بشردوستانه و توسعه ایفا کنند.

علاوه بر مدل‌های پویای سیستم قابل پخش که در بالا توضیح داده شد، مجموعه بسیار متفاوتی از فعالیت‌های بازی‌آمیز نیز می‌تواند به مدیران بلایا کمک کند تا نقش اطلاعات جغرافیایی را بازنگری کنند، زیرا با نیاز به احساس راحتی و ارتباط در مواجهه با ناشناخته‌ها مواجه می‌شوند: بداهه‌پردازی کاربردی. روش‌ها، مهارت‌ها و ذهنیت‌های وام‌گیری از تئاتر بداهه و جاز، بداهه‌پردازی کاربردی با هدف کمک به شرکت‌کنندگان در مدیریت بلایا و سایر زمینه‌های «دنیای واقعی» برای آمادگی بهتر برای چیزهایی که نمی‌توانند برای آن‌ها برنامه‌ریزی کنند [ 5 ] است.]. بداهه‌سازی بهینه مستلزم غلبه بر واکنش‌های استرس اولیه و طبیعی است، چه در هنگام رویارویی با وظایف جستجو و نجات پس از یک طوفان فاجعه‌بار، چه هنگام مواجهه با یک دوره اجباری در GIS برای ترسیم خطر سیل. در حالی که موقعیت‌های جدید واکنش‌های انجماد، جنگ و گریز غریزی و در عین حال اغلب غیرمولد را برمی‌انگیزد، درعوض، ذهنیت اصلاح‌شده ابزار ارزشمندی برای شناسایی مؤثر و ایجاد فرصت‌های جدید ارائه شده است. رویکرد بداهه‌سازی کاربردی می‌تواند به مدیران بلایا کمک کند علی‌رغم شرایط، احساس اعتماد به نفس، خلاق و مدبر داشته باشند [ 17 ]. بداهه‌پردازی کاربردی کاملاً با رویکرد یادگیری تجربی برای یادگیری و توسعه همسو است: “فرآیندی که در آن دانش از طریق دگرگونی تجربه ایجاد می‌شود” [ 18 ]].

بخش بعدی این مقاله نشان می‌دهد که چگونه چارچوب‌های مشارکتی که در اینجا توضیح داده شده فرصت‌هایی را برای نوآوری ارائه می‌دهند. دو تجربه اخیر شامل رویکردهای بازیگوشانه برای یادگیری و گفتگو در مورد مدیریت بلایا به عنوان راه هایی برای ترویج استفاده از اطلاعات جغرافیایی مورد بررسی قرار می گیرند: بازی UpRiver در زامبیا، و مجموعه ای از فعالیت های مبتنی بر بازی برای آموزش داده های باز برای انعطاف پذیری به سفارش بانک جهانی.

3. مطالعات موردی

3.1. UpRiver: رویکردی جدید برای سیستم‌های هشدار سیل مبتنی بر جامعه

ادبیات به ارتباط مشکلات قابل پیش‌بینی مربوط به چگونگی فرمول‌بندی، ارتباط، درک، اعتماد و استفاده از پیش‌بینی‌ها اشاره می‌کند – یا نه [ 19 ]. با چند استثنای قابل توجه مانند شبکه سیستم هشدار اولیه قحطی (FEWS NET)، سازمان‌های بشردوستانه تا حد زیادی از نهادهای علمی و ابزارهای پیش‌بینی که می‌توانند به درک گزینه‌های مدیریت تهدیدات مرتبط با آب و هوا کمک کنند، جدا باقی می‌مانند. در چارچوب یک پروژه تحقیقاتی در مورد سیاست ها و اقدامات بشردوستانه در شرایط آب و هوایی در حال تغییر، مرکز آب و هوای هلال احمر صلیب سرخ شریک شد و انجمن صلیب سرخ زامبیا برای رسیدگی به این موضوع، به ویژه برای مدیریت خطر سیل در امتداد حوضه رودخانه زامبزی، نیروهای خود را ملحق کرد.

دو چالش اصلی باید حل می شد. از یک سو، کشاورزان معیشتی که در جوامعی در دشت سیلابی زامبزی زندگی می‌کنند، درک کاملی از مکانیسم‌های ایجاد سیل ندارند ( یعنی بارندگی شدید در بالادست که به‌طور قابل پیش‌بینی از پایین رودخانه حرکت می‌کند): بسیاری از آنها از قابلیت پیش‌بینی طغیان رودخانه‌ها سود نمی‌برند، و بالا آمدن آب ها را طوری تجربه کنید که گویی در نتیجه عذاب الهی یا بدشانسی در روستای خود تحقق یافته است. چنین فقدان آگاهی، همراه با الگوهای متنوع درون جامعه ای آسیب پذیری در برابر سیل [ 20 ]]، چالش های مهمی را برای ابتکارات بشردوستانه با هدف پیوند دادن هشدار اولیه با اقدام اولیه برای جلوگیری از تلفات سیل ایجاد می کند. از سوی دیگر، اطلاعات جغرافیایی ناکافی در مورد سطح رودخانه ها در طول زمان، توسعه و کالیبره کردن مدل های پیش بینی سیل در زامبزی و دیگر حوضه های رودخانه را که جوامع بسیار آسیب پذیر برای آمادگی و واکنش در برابر بلایا به سازمان های بشردوستانه وابسته هستند، بسیار دشوار می کند.

به منظور تسریع و بهبود تصمیمات مدیریت ریسک، مرکز آب و هوا و شرکا مفهوم «تامین مالی مبتنی بر پیش‌بینی برای آمادگی در برابر بلایا» (FbF) را توسعه داده‌اند: رویکردی برای تسریع اقدامات بشردوستانه بر اساس پیش‌بینی‌های آب و هوای شدید [ 21 ].]. در اصل، تلاش‌های مدیریت ریسک بلایا به طور سنتی بر اقدامات پیشگیرانه بلندمدت یا واکنش پس از فاجعه متمرکز است. خارج از این موارد، اقدامات کوتاه‌مدت زیادی مانند تخلیه وجود دارد که می‌تواند برای کاهش خطر اثرات در طول فرصت ارزشمند قبل از وقوع سیل انجام شود، اما پس از اینکه علم بیان کرد که بارندگی شدید یا سطح رودخانه‌ها با تلفات سیل مرتبط است. در بالادست مشاهده شده اند یا احتمال وقوع آن وجود دارد. با این حال، این فرصت برای پیش‌بینی رویدادهای شدید به طور مرتب نادیده گرفته می‌شود، که منجر به زیان‌های قابل اجتناب یا اقدامات غیرضروری گران‌قیمتی می‌شود که خیلی دیر شروع می‌شوند. FbF یک سیستم تامین مالی مبتنی بر پیش‌بینی جدید است که به طور خودکار اقدام را بر اساس پیش‌بینی‌ها یا مشاهدات آغاز می‌کند. سیستم ویژگی های پیش بینی آستانه را با اقدامات مناسب مطابقت می دهد، هنگام صدور پیش‌بینی‌های آستانه، بودجه مورد نیاز را پرداخت می‌کند و رویه‌های عملیاتی استانداردی را ایجاد می‌کند که حاوی دستور عمل در هنگام صدور این پیش‌بینی‌های آستانه است. اگر ابزارهای پیش‌بینی کافی در دسترس باشد، می‌توان چنین سیستمی را در مناطق مستعد سیل در سراسر جهان افزایش داد – که در حال حاضر به ندرت در حوضه‌های رودخانه‌ای با جمعیت بسیار آسیب‌پذیر وجود دارد.

این مطالعه موردی رویکردی نوآورانه برای حمایت از تأمین مالی مبتنی بر پیش‌بینی برای آمادگی در برابر بلایا از طریق بازی UpRiver را به اشتراک می‌گذارد ، فعالیتی که از مکانیک بازی استفاده می‌کند تا بازی و فرآیندهای جدی دنیای واقعی را در کنار هم قرار دهد، به طوری که اقدام واقعی در حین بازی رخ دهد – آنچه گوردون و همکاران . [ 22 ] به عنوان “بازی های تعامل” توصیف می شود – که منجر به عملکرد بهتر، اعتماد بیشتر و یادگیری مدنی می شود. UpRiver دو نسخه دارد، یک بازی فیزیکی و یک بازی دیجیتال.

3.1.1. آنالوگ UpRiver : بهبود درک پیش‌بینی‌پذیری سیل در سطح جامعه

ایده اصلی نسخه فیزیکی و آنالوگ UpRiver تقلید دینامیک شکل‌دهنده سیل و موفقیت یا شکست آمادگی برای بلایا در حوضه رودخانه است. این بازی با کشاورزان معیشتی که در امتداد دشت سیلابی رودخانه زامبزی در غرب زامبیا زندگی می‌کنند و کشاورزی می‌کنند انجام می‌شود – همان سهامدارانی که از درک و عمل به هشدارهای سیل سود می‌برند. بازیکنان بودجه محدودی به شکل لوبیا دریافت می‌کنند و خطی را تشکیل می‌دهند که نشان‌دهنده جوامعی است که در امتداد دشت سیلابی رودخانه ده‌ها یا صدها کیلومتر از هم جدا شده‌اند ( شکل 4 را ببینید ). هر بازیکن یک فنجان با نشانگرهایی در دست دارد که سطح رودخانه را در جامعه خود نشان می دهد و تغییرات سطح رودخانه را در طول زمان (که در یک دنباله دور ثبت می شود) از طریق دو مکانیسم تجربه می کند:

–: بارندگی : به هر فنجان آب اضافه می شود بر اساس یک تاس که نشان دهنده بارندگی است: اگر عدد 6 ریخته شود، یک اسفنج بزرگ در یک کوزه فرو می برند و سپس از آن برای “باراندن” آب زیادی روی فنجان استفاده می شود. اگر a 1 رول شود فقط از یک اسفنج کوچک استفاده می شود و یک اسفنج متوسط برای مقادیر متوسط بارندگی استفاده می شود.
–: جریان رودخانه : بازیکنان آب را از فنجان خود به فنجان های همسایه خود در پایین دست می گذرانند که نشان دهنده تخلیه رودخانه به دنبال نیروی گرانش است.

اگر ترکیبی از جریان رودخانه و بارندگی باعث سرریز شدن جام بازیکن شود، چنین رویدادی نشان دهنده یک فاجعه سیل است: تمام حبوبات او از بین می رود – مگر اینکه بازیکن برای آمادگی در برابر سیل سرمایه گذاری کند (که هزینه آن چند دانه است که البته اگر هدر می رود. اقدامات آمادگی انجام می شود و پس از آن هیچ سیل رخ نمی دهد). بازیکنان می‌توانند از دانه‌های خود برای خرید داده‌های مربوط به سطح رودخانه در بالادست استفاده کنند و احتمال وقوع سیل را در هر پیچ مشخصی تخمین بزنند – بنابراین اطلاع می‌دهند که آیا اقدامات آمادگی ارزش به کارگیری را دارند یا خیر.

شکل 4. کشاورزان زامبیایی بازی UpRiver را در روستای Kazungula انجام می دهند تا در مورد قابلیت پیش بینی تغییر سطح آب در رودخانه زامبزی بیاموزند. این بازی به بازیکنان کمک می کند تا ارزش خودسازماندهی را برای هشدارهای سیل و آمادگی در برابر بلایا درک کنند.

جلسات بازی در Kazungula و Sesheke در غرب زامبیا بسیار موفق بودند: شرکت کنندگان به شدت درگیر بازی و جلسه برنامه ریزی مدیریت خطر سیل بودند که پس از آن انجام شد. پویایی سیستم شامل سیل، هشدارهای اولیه و رفتارهای افراد به اندازه کافی در گیم‌پلی ثبت شد و در طول بررسی و برنامه‌ریزی مورد بحث قرار گرفت. ترکیبی از همکاری و رقابت ارائه شده توسط UpRiver فضایی از خنده، انتظار و پیوند ایجاد کرد که به طور قابل ملاحظه ای اشتهای آنها را برای پرسیدن سؤالات در مورد قابلیت پیش بینی سیل و اقدامات آمادگی در برابر بلایا افزایش داد. بازیکنان گزارش کردند که نیاز و ارزش هشدارهای سیل را مانند قبل درک کرده بودند، و مشتاق بودند که تجربه شبیه سازی شده را به عمل در دنیای واقعی تبدیل کنند [ 22 ]]. نکته مهم این است که این بازی به ایجاد پیوند بین کشاورزان در معرض خطر و کارکنان و داوطلبان صلیب سرخ زامبیا کمک کرد. مزایای گیم پلی فراتر از هدف یادگیری است و منجر به روابط بهتر بین افراد دارای مشکل و کسانی می شود که می توانند به سازماندهی راه حل ها کمک کنند.

3.1.2. Digital UpRiver : مجموعه داده‌های رهبری جامعه برای بهبود پیش‌بینی سیل و اعتماد

نسخه دیجیتالی UpRiver مبتنی بر روایت نسخه فیزیکی است، اما با یک پیچ و تاب نوآورانه مهم: نمونه اولیه بازی دیجیتالی در دنیای واقعی به داربست می‌خورد و به Haklay اجازه می‌دهد [ 23 ]] «احساس مشارکتی» می نامد. به‌جای فنجان‌هایی که سطوح رودخانه خیالی را به تصویر می‌کشند، بازیکنان سطوح واقعی آب را از طریق ارتفاع‌سنج‌های موجود در امتداد رودخانه مشاهده می‌کنند و این سطوح رودخانه را از طریق پیام متنی به یک پلت فرم ویژه طراحی‌شده تحت وب گزارش می‌دهند. علاوه بر این، بازیکنان «پیش‌بینی سطح رودخانه» خود (یک حدس) را با زمان مشخصی ارسال می‌کنند – برای مثال 48 ساعت. در میان بازیکنان مختلف در هر جامعه، هر کسی که مقدار سطح آب را که نزدیک‌ترین مقدار به مقدار مشاهده شده است ارسال کند، ده امتیاز برنده می‌شود. از طریق سیستم بازی دیجیتال، شرکت‌کنندگان می‌توانند از امتیازات خود برای کسب اطلاعات در مورد سطح رودخانه در بالادست استفاده کنند تا بتوانند حدس‌های خود را بهبود بخشند. به این ترتیب، بازیکنان دعوت می شوند تا درک درستی از ماهیت پویای سطح آب در حوضه رودخانه ایجاد کنند.

بازی در طول دوره زمانی که احتمال وقوع سیل وجود دارد، انجام می شود. در پایان فصل بارانی، بازیکنی که بیشترین امتیاز را در هر جامعه کسب کرده است، آن امتیازها را به یک جایزه تبدیل می کند، یعنی چیزی با ارزش واقعی (مانند پول نقد، تی شرت صلیب سرخ، یا اعتبار تلفن همراه). این به افراد انگیزه می‌دهد تا لیمترها را بخوانند و در جمع‌آوری و ارسال اطلاعات جغرافیایی شرکت کنند که به محققان کمک می‌کند تا مدل‌های هیدرولوژیکی را کالیبره کنند و در نتیجه پیش‌بینی‌های سیل بهتری را تولید کنند.

در نهایت وقتی یک مدل هیدرولوژیکی خوب با پشتیبانی از داده‌های رودخانه جمع‌سپاری شده کالیبره می‌شود، تیم تسهیل بازی مدل پیش‌بینی‌کننده را به عنوان بازیکن اضافه می‌کند (احتمالاً «مایک» نامیده می‌شود، نام یک ابزار معروف برای پیش‌بینی سیل). . شرکت‌کنندگانی که پیش‌بینی خود را قبل از پایان مهلت ارسال کنند، یک دقیقه پس از پایان مهلت، پیامکی دریافت می‌کنند که نشان می‌دهد پیش‌بینی مایک چه بوده است. بازیکنانی که عملکرد بهتری نسبت به مدل دارند نیز امتیاز کسب می کنند. این انگیزه به شرکت‌کنندگان کمک می‌کند متوجه شوند که این مدل زمانی که سطح رودخانه به‌طور غیرمعمول بالا است حدس‌های خوبی می‌زند: پس از چندین دور که متوجه مهارت پیش‌بینی شده بودند، اگر مایک پیش‌بینی کند که سطح رودخانه حدود 3 متر بالاتر از کف آشپزخانه خانه‌شان باشد، آن‌ها بیشتر خواهند بود. احتمالاً با اشیاء با ارزش خود شروع به دویدن به سمت ارتفاعات می کنند.

شکل 5. بازی UpRiver که توسط یک داوطلب صلیب سرخ از روستای Kazungula در غرب زامبیا تسهیل می‌شود، در یکی از نشریات ناسا برای برجسته کردن ارزش پیش‌بینی سیل نمایش داده شد. بازی‌های تعاملی می‌توانند به افزایش آگاهی و دیده شدن ابتکارات مربوط به اطلاعات جغرافیایی کمک کنند.

یکی از نشریات ناسا [ 24 ] اخیراً پرتاب موشک را در جلد نمایش داده است. همانطور که در شکل 5 نشان داده شده است، صفحه 47 عکسی از یک داوطلب صلیب سرخ به نام مونو موتامبوا را نشان می دهد که در حال بازی UpRiver با کشاورزان معیشتی در دشت های سیلابی رودخانه زامبزی است. می توان تعجب کرد: شانس حضور یک تسهیل کننده صلیب سرخ زامبیا از روستای کازونگولا در یک نشریه ناسا چقدر است؟ این بازی جدی و در عین حال سرگرم‌کننده همچنان به تلاش‌های بشردوستانه محلی، ملی و جهانی برای بازنگری در نقش علم برای جلوگیری از بلایا کمک می‌کند: هدف ما این است که با دیگران کار کنیم تا پیش‌بینی‌های مربوط به آب و هوا را بر روی رویدادهای “آستانه” شدید متمرکز کنیم تا ویژگی‌های کامل را مشخص کنیم. دامنه تنوع در طول زمان؛ توجه به پیامدهای عدم قطعیت مدل؛ و ایجاد یک طرح کلی واضح، بدون اصطلاحات و مختصر از بینش ها برای حمایت از تصمیم گیری [ 25 ].

ایده جمع سپاری اطلاعات جغرافیایی برای مدیریت خطر سیل که در UpRiver تعبیه شده است، اکنون در پروژه ای که توسط صلیب سرخ توگو در حوضه رودخانه مونو در پایین دست سد Nangbeto در غرب آفریقا اجرا شده است، ادغام شده است. این پروژه توسط وزارت همکاری اقتصادی و توسعه فدرال آلمان از طریق صلیب سرخ آلمان، و با کمک فنی از مرکز آب و هوا، جامعه نقشه خیابان باز توگو را درگیر توسعه ابزارهای نرم افزاری برای دستیابی، پردازش و به اشتراک گذاری اطلاعات جغرافیایی در زمان واقعی می کند. مانند داده‌های جغرافیایی در سطح رودخانه‌ها، که به پیش‌بینی سیل‌ها و آغاز پرداخت بودجه برای اقدامات اولیه هدفمند، از جمله هشدارهای اولیه در سطح جامعه و همچنین پیش‌فرض موارد برای مدیریت یا کاهش اثرات سیل کمک می‌کند.

همانطور که در یک نقشه راه تحقیقاتی برای محاسبات انسانی گزارش شده است [ 26 ]، این تلاش می تواند در مرحله بعد از “علم سایبری شهروند” پشتیبانی کند: مشارکت آنلاین در تحقیقات علمی توسط اعضای عمومی [ 27 ]، برای مثال با ایجاد یک رویکرد مشترک برای پیش بینی سیل. مدل سازی، ارائه چالش به افراد و تیم های متخصص برای طراحی معماری مفهومی برای نمایش فیزیکی یا آماری تعاملات بین خطر و آسیب پذیری، در حالی که افراد عادی وظایف ساده تر اما ارزشمندی مانند محاسبات داوطلبانه را بر عهده می گیرند.

3.2. داده های باز برای تاب آوری: یادگیری تعاملی در مورد ابزارهای دیجیتال و چارچوب های سازمانی

تسهیلات جهانی برای کاهش و بازیابی بلایا (GFDRR) یک مشارکت جهانی است که توسط بانک جهانی مدیریت می شود. GFDRR با همکاری بیش از 400 شریک محلی، ملی، منطقه‌ای و بین‌المللی کمک‌های مالی و کمک‌های فنی ارائه می‌کند و به عنوان یک پلت فرم جهانی برای اشتراک دانش و ایجاد ظرفیت برای مقاوم‌سازی در برابر بلایا و آب و هوا عمل می‌کند. در مارس 2014، راهنمای میدانی داده های باز برای ابتکار تاب آوری (OpenDRI) را راه اندازی کرد [ 28 ]]، یک کتابچه راهنمای عملی با هدف تعیین استانداردهای اساسی برای ایجاد منبع باز و ارتباط اطلاعات جغرافیایی. محتویات آن شامل اصول اولیه چرایی بهبود مدیریت بلایا از طریق داده های باز و همچنین ابزارهای نرم افزاری خاص مانند Open Street Map برای جمع آوری داده ها، GeoNode برای توسعه سیستم های اطلاعات مکانی و InaSAFE برای ارزیابی تاثیر است.

در حالی که جلسات آموزشی مرسوم می‌توانست به انتشار محتوای متنوع و غنی راهنمای میدانی OpenDRI کمک کند، تیم GFDRR تصمیم گرفت که آموزش را ابداع کند و در یک مجموعه آموزشی بازیگوش و تجربی جاسازی کند: شرکت‌کنندگان باید در یک موقعیت شبیه‌سازی شده غوطه‌ور می‌شدند که آنها را ملزم می‌کرد. نقش هایی را بر عهده بگیرید که نشان دهنده ذینفعان زندگی واقعی است. با پاسخ به مجموعه‌ای از قوانین تعریف‌شده و عمل به اطلاعاتی که در دنیای واقعی به آنها داده می‌شود، کارآموزان باید ایده‌ها و ابزارهایی را که به‌عنوان بخشی از یک دوره آموزشی نیم‌روزه ارائه می‌شوند امتحان کنند تا تصمیم‌گیری و پاسخ‌هایشان را به آن‌ها هدایت کنند. سناریوها و گزینه‌های مدیریت ریسک فاجعه که به آنها ارائه می‌شود، عناصر و روابط به آرامی ساخته می‌شوند که پویایی پیچیده سیستم را در مورد چگونگی و چرایی استفاده یا سوء استفاده از داده‌های باز به تصویر می‌کشد، به روشی که هم جدی و هم سرگرم‌کننده بود.

3.2.1. معرفی و تشکیل گروه های فرعی

پس از مروری بر اهداف و رویکرد مشارکتی جلسه تمرین، بازیکنان نشان‌های منحصربه‌فرد «کارت شناسایی» را دریافت کردند، بنابراین سه نوع ویژگی را به آنها اختصاص دادند: منطقه (شمال، غرب یا جنوب)، بخش («Edu» ). ” برای وزارت آموزش و پرورش، “دولت” برای وزارت برنامه ریزی دولت، یا “سازمان” برای سازمان جامعه مدنی)، و رنگ(“آبی”، “زرد” یا “سبز”)، که بعداً برای تشکیل تیم هایی که برای مدیریت خطر سیل با هم همکاری و رقابت می کنند، استفاده می شود. این هویت‌های تخیلی با نقش‌ها و مسئولیت‌هایی در شهر لاپلاتا، آرژانتین، که برای این فعالیت انتخاب شده‌اند، به دلیل الگوی خیابانی آسان برای پیمایش (شبکه مستطیلی با خیابان‌های شماره‌دار) و در دسترس بودن خوب داده‌های مربوط به سیل، مرتبط بودند. به منظور کمک به شرکت کنندگان در درک این که چه کسی در دنیای واقعی و هم در داستان بازی هستند، می‌توان از روش معمول استفاده کرد – به عنوان مثال، هر فرد با ذکر نام و وابستگی (که بسیار وقت گیر است و فضای خسته کننده ای ایجاد می کند). درعوض، از فعالیت «با پاهای خود پاسخ دهید» استفاده شد، که به موجب آن، تسهیل‌گر از افراد می‌خواهد ابتدا بسته به ویژگی‌های واقعی خود (جنسیت، آشنایی با GIS و غیره ) به قسمت‌های مختلف اتاق راه بروند و سپس با ویژگی‌های تخیلی خود که از طریق آنها تخصیص داده شده است. کارت های شناسایی (منطقه، رنگ، بخش). این فعالیت بدنی به شرکت کنندگان اجازه می دهد تا تنوع را در اتاق تجسم کنند و لحن را برای بقیه جلسه تنظیم می کند.

3.2.2. ضربه محکم و ناگهانی! : یک فعالیت گرم کردن برای استخراج ایده های شرکت کنندگان در مورد داده های باز

“ضربه محکم و ناگهانی!” بر اساس یک بازی کارتی بریتانیایی است که برای یادگیری جدی با سه هدف اقتباس شده است:

به شرکت کنندگان انرژی دهید: قدرت مغز افراد را فعال کنید (برای جلسات بعد از ناهار ضروری است)
ایجاد حس هویت مشترک بین شرکت کنندگان در همان بخش (Edu، Gov، Org)
از شرکت کنندگان در مورد مفاهیمی که با Open Data مرتبط می کنند بیاموزید

در “Snap!” در جلسه بازی، بازیکنان ابتدا با شخص دیگری از همان بخش جفت می‌شوند، سپس چرخه‌هایی را طی می‌کنند که در آن باید به سرعت به مجموعه‌ای از مفاهیم برسند (در ذهن خود یک دسته از کارت‌های کلمه خیالی را تشکیل دهند)، سپس آن کلمات را به ترتیب بیان کنند. هم‌زمان با شریک زندگی‌شان (گویی که همزمان کارت‌های کلمه خیالی را ورق می‌زنند و کلمه موجود در هر کدام را بیان می‌کنند)، سعی می‌کنند در صورت بروز نوع خاصی از شرایط، سریع‌تر از شریک واکنش نشان دهند: وقتی هر دو بازیکن یک کلمه را در در همان زمان، اولین بازیکنی که گفت “Snap!” تمام کارت های خیالی را می گیرد و یک امتیاز خیالی به دست می آورد. چرخه اول آسان و به شدت سرگرم کننده است و از طریق خنده و تعجب مشترک باعث ایجاد پیوند می شود.به عنوان مثال ، “داده های باز برای تاب آوری”). آن‌ها تمایل دارند با «انسداد» ایده‌ها مواجه شوند که اشتهای آن‌ها را برای تبلور و بحث در مورد مفاهیمی از «نقشه» تا «قابلیت همکاری نرم‌افزار» افزایش می‌دهد.

یک فعالیت گروهی کوتاه و اضافی، آن مفاهیم را در کارت‌های کلمه واقعی (کاغذهای خالی) به تصویر می‌کشد، و به تیم تسهیل‌کننده اجازه می‌دهد تا ابرهای کلمه‌ای ایجاد کند که وضعیت فعلی درک آنها از موضوع را نشان دهد و نشان دهد. همان فعالیت را می‌توان در کمتر از 5 دقیقه در پایان جلسه اجرا کرد، تا روشی سریع و سرگرم‌کننده برای ارزیابی اینکه آیا درک شرکت‌کنندگان از موضوع Open Data به هیچ وجه در نتیجه فعالیت‌های بعد از ظهر تکامل یافته است یا خیر (نگاه کنید به شکل 6 ).

شکل 6. نمونه‌هایی از کلماتی که از بازی «Snap!» بیرون می‌آیند، مفاهیمی را نشان می‌دهند که بازیکنان با Open Data برای انعطاف‌پذیری بعد و قبل از جلسه تمرینی مشارکتی مرتبط می‌کنند.

3.2.3. چالش: خطرات سیل در شهر لاپلاتا: مبانی جغرافیا و وظایف

در این جلسه کوتاه، به دنبال آگاهی مشترک از آنچه مردم درباره داده‌های باز برای انعطاف‌پذیری فکر می‌کنند، شرکت‌کنندگان با مطالعه موردی شهر لا پلاتا، از جمله طرح‌بندی خیابان‌ها و خطرات سیل در حال تغییر آن، آشنا می‌شوند. بازیکنان یاد می‌گیرند که بازی شبیه‌سازی یک نمایش ساده‌شده از واقعیت است، از جمله بسیاری از جنبه‌های ناگوار دنیای واقعی که اهمیت دارند، مانند داده‌های ناقص، دستورالعمل‌های گیج‌کننده از رئیس‌ها، و «اشکال‌های» در فناوری. مانند دنیای واقعی، برخی تغییرات در کاربری زمین و برخی اطلاعات در مناطق شهری اخیراً توسعه یافته به خوبی در نقشه ها ثبت نشده است. نقشه های پرینت شده توزیع شده بین بازیکنان به طور قطعی ناقص هستند و اکثر مدارس را در لاپلاتا نشان نمی دهند.

تیم ها بودجه ها و تصمیمات را به اشتراک می گذارند. تنوع در یک تیم، انگیزه های بازی را شکل می دهد. سه بازیکن تعریف شده توسط بخش می توانند “امتیاز عملکرد” را کسب کنند. اولین وظیفه برای بازیکنان شامل نقشه برداری از مدارس در لا پلاتا، به منظور حمایت از برنامه ریزی سرمایه گذاری برای تصمیم گیری های مربوط به تجهیزات کامپیوتری (وظیفه ای برای بازیکنان “Edu”) و مقاوم سازی سیل (وظیفه ای برای بازیکنان “Gov”) است. در پایان روز، سه نفری که بیشترین امتیاز عملکرد را داشته باشند، جوایزی را دریافت خواهند کرد (یکی برای “.Edu”، یکی برای “.Gov”، یکی برای “.Org”). این شبیه‌سازی زمان را از سال 2005 تا 2020 فشرده می‌کند. به بازیکنان گفته می‌شود که منتظر ضرب‌الاجل‌های سخت، فشار زمانی قابل توجه و شگفتی‌ها باشند.

3.2.4. OSM: کسب اطلاعات OpenStreetMap بر اساس بخش

این اولین وظیفه ای است که شامل مهارت های فنی به دست آمده در جلسه صبح می شود: تمرکز بر انجام ورود داده های اولیه و ردیابی تصاویر است. شرکت‌کنندگان در «Sector Trios» (هر سه‌گانه شامل مناطق شمال + غرب + جنوب با همان رنگ و بخش) شروع می‌شوند. هر سه نفر به یک کامپیوتر دسترسی دارند، مقداری دانه (که نشان دهنده ارزی است که بعداً در ترتیب کارها استفاده می شود) دریافت می کند و یک یادداشت به او داده می شود: سندی از مافوق خیالی خود که اهداف، اصول اولیه وظایف قریب الوقوع و آینده را نشان می دهد، و یک احساس مشوق ها و محدودیت های آنها. هر سه‌گانه «Edu» و «Gov» 20 دقیقه فرصت دارند تا با استفاده از نقشه خیابان باز (OSM) یک نقشه دیجیتالی از برخی مدارس لاپلاتا ایجاد کنند. آنها یک لیست منحصر به فرد با شناسه ها و آدرس های دقیق زیرمجموعه ای از مدارس (که توسط همکاران وزارت ارائه شده است) دریافت می کنند.

بازیکنان می‌توانند با یکدیگر تعامل کنند، اطلاعات را به اشتراک بگذارند، دانه‌ها را مبادله کنند (برای تأمین مالی بازیکنان Org تا داده‌ها را از زمین جمع‌آوری کنند)، هر چیزی که به آنها کمک می‌کند تا وظایف خود را در مهلت محدود انجام دهند. گیم پلی، مانند جمع آوری داده ها در دنیای واقعی، معمولاً تنش ها و مشکلات اساسی را در مورد نحوه رفتار افراد با سایر ذینفعان در داخل و خارج از تیم خود نشان می دهد – مسئله ای که در مورد موانع باز کردن داده ها توضیح زیادی می دهد. به همین دلیل، فعالیت بعدی بر تعاملات مذاکره متمرکز است.

3.2.5. «داده‌های مذاکره»: انرژی‌دهنده در چالش‌های داده‌های باز

“مذاکره داده ها” یک بازی سریع است که امکان ظهور رفتار خودخواهانه و نزدیک بینی را فراهم می کند (یکی از دلایل پیشرفت ناکافی در طرح های داده باز). شرکت کنندگان خوشه های جداگانه ای را بر اساس بخش تشکیل می دهند (“Edu”، “Gov” و “Org”). هر خوشه دارایی‌های ضروری و متفاوتی را در خود جای می‌دهد که برای دستیابی به نتایج باید با هم ترکیب شوند: خوشه‌های «دولت» عرضه محدودی از پس از آن دریافت می‌کنند.یادداشت ها، خوشه های “Edu” دو مداد چوبی تیز نشده دریافت می کنند و خوشه های “Org” یک مداد تراش دریافت می کنند. مجری توضیح می دهد که هر خوشه به طور دقیق 3 دقیقه زمان دارد تا هرچه بیشتر “کاتالوگ داده” را در سیستم های IT داخلی خود بارگذاری کند (که با یک کاغذ بزرگ و برچسب دار روی دیوار نمایش داده می شود). در داستان بازی، «کاتالوگ کامل داده‌ها» یادداشتی است که روی سیستم فناوری اطلاعات چسبانده شده است، با نام سه حرفی خوشه روی آن، که با مداد چوبی نوشته شده است. وقتی شمارش معکوس کامل شد، هر خوشه بسته به عملکردشان، لوبیاهای بیشتری به دست می آورد.

با ایجاد کمبود، وابستگی متقابل و احساس عمیق مالکیت دارایی‌هایی که هر تیم فکر می‌کند با ارزش‌ترین است، این فعالیت با وضعیتی مشابه با دنیای کنونی داده‌های مربوط به بلایا آغاز می‌شود. به قول راهنمای میدانی OpenDRI [ 28 ]:«قبل از تعامل OpenDRI، تصمیم گیرندگان و مجموعه داده‌های آن‌ها تمایل دارند به طور ضعیفی به ذخایر داده‌های موجود متصل شوند که پنهان می‌مانند، حتی برای سایر وزارتخانه‌ها و شهرداری‌ها غیرقابل دسترسی هستند، زیرا به شکل‌هایی هستند که از جریان آزادانه آنها جلوگیری می‌کند. برخی روی کاغذ منجمد شده اند. برخی دیگر توسط فناوری‌هایی که مجموعه داده‌ها را در اکوسیستم‌های اختصاصی قفل می‌کنند، با سیاست‌هایی که از انتشار فراتر از گروه‌های کوچک جلوگیری می‌کنند، متوقف می‌شوند، یا در سیلوهای بوروکراتیک که نیاز به سرمایه‌گذاری قابل توجهی برای جمع‌آوری مجدد در یک تصویر کامل دارند، متوقف می‌شوند (…). بدون تأمین مالی مستمر، بیشتر تلاش‌های توسعه با شکست مواجه می‌شوند، فرار مغزها ممکن است استعدادهای کلیدی را به سازمان‌های دیگر بکشاند و ذینفعان به شیوه‌های اشتراک‌گذاری داده‌هایی که قبل از تعامل OpenDRI استفاده می‌کردند، بازگردند.

روایت و مکانیزم این فعالیت، برخی از مشوق‌ها و بازدارنده‌های درک شده را تقلید می‌کند که علیه رویکردهای داده‌های باز برای مدیریت بلایا کار می‌کنند، و باعث ظهور احساسات و رفتارهایی می‌شوند که منجر به عدم همکاری می‌شوند. نکته مهم، حتی اگر قوانین بازی هاله ای از رقابت را ایجاد می کنند، وظیفه واقعی هر خوشه به سادگی و به وضوح بیان شده است که “تا آنجا که ممکن است” (نه در مقایسه با تیم های دیگر، بلکه به صورت مطلق). این فعالیت سرگرم‌کننده، یادگیری تجربی غنی و عمیقی را در مورد نیروهای فردی و جمعی فراهم می‌کند که می‌تواند منجر به فقدان حداقل یکی از پنج اصل داده‌های باز ( باز بودن فنی، باز بودن حقوقی، دسترسی، قابلیت همکاری ، وقابلیت استفاده مجدد ). یک گزارش بسیار کوتاه احساسات و بینش های کلیدی را در مورد اینکه چگونه مکانیسم های به اشتراک گذاری داده های موجود باعث تقویت یا آسیب رساندن به سیاست های داده های باز می شود را برمی انگیزد.

3.2.6. وظیفه تخصیص منابع

این وظیفه دو مولفه دارد: ابتدا سناریوی تاثیر سیل و سپس سرمایه گذاری در مدارس. در داستان بازی، تاکنون هیچ داده ای در مورد خسارت سیل گذشته به مدارس وجود نداشته است. در این مرحله تسهیل‌کننده نشان می‌دهد که همه بازیکنان به یک نقشه دیجیتال با خروجی مدل هیدرولوژیکی رویداد سیل سال 2002 دسترسی خواهند داشت. ممکن است از آن زمان به دلیل شهرنشینی، زیرساخت های زهکشی و غیره تغییراتی ایجاد شده باشد به طوری که بارش مشابه با رویداد شدید سال 2002 باعث ایجاد اثرات سیل متفاوت در آینده نزدیک شود. این وظایف شامل راه اندازی QGIS پایه (ایجاد پروژه جدید، بارگیری لایه ها)، دانلود داده ها از GeoNode (Flood 2002، داده های مدرسه) و اجرای InaSAFE است.تجزیه و تحلیل تاثیر برای دیدن مدارس در سال 2002. بازیکنان باید این تجزیه و تحلیل تاثیر را در 30 دقیقه کامل کنند.

اگر به خوبی اجرا شود، نقشه حاصل اطلاعات عملی را برای سه تیم “رنگ” (از 9 بازیکن در هر رنگ، ترکیب بخش ها و مناطق مختلف) ارائه می دهد. هر تیم “رنگ” باید دانه های خود را به بهبود مدرسه اختصاص دهد، با چهار انتخاب برای هر مدرسه:

–: هیچ کاری نکنید (بدون هزینه)
–: تجهیزات کامپیوتری خریداری و نصب شده (هزینه: 1 لوبیا برای هر مدرسه)
–: ضد سیل، اطمینان از اینکه هیچ دانش‌آموزی در صورت وقوع سیل در معرض خطر نیست و خسارات سیل آینده به حداقل رسیده و به راحتی قابل جبران است (هزینه: 2 لوبیا در هر مدرسه)
–: سیل گیر و تجهیزات کامپیوتری برای همان مدرسه: (هزینه: 4 لوبیا)

در مهلت تعیین شده (کمتر از 15 دقیقه از پایان ارزیابی تأثیر)، هر تیم رنگی باید دانه های خود را در تجهیزات رایانه ای و/یا ضد سیل برای هر مدرسه سرمایه گذاری کند – با استفاده از یک فرم خاص (هر مدرسه دارای یک مقدار عددی است. از 1 تا 8 که مشخص می کند چه تعداد امتیاز عملکرد می تواند برای هر مدرسه به دست آید، و یک ناهمگونی فضایی ایجاد می کند که باید در هنگام مذاکره بازیکنان در مورد نحوه تخصیص منابع در نظر گرفته شود. خطر سیل باید در نظر گرفته شود: بازسازی مدرسه ای که دچار سیل نمی شود بیهوده است و دادن رایانه به مدارسی که دچار سیل می شوند منجر به خسارات قابل اجتناب می شود.

نکته مهم این است که بخش‌های «Edu»، «Gov» و «Org» انگیزه‌های متفاوتی برای شکل‌دهی طرح‌های سرمایه‌گذاری دارند: «امتیاز عملکرد Edu» در صورتی به دست می‌آید که مدرسه‌ای تا پایان سال 2020 به رایانه مجهز شود (توجه: اگر مدرسه‌ای باشد. در اثر سیل آسیب دیده است، رایانه ها از بین می روند). در حالی که «امتیاز عملکرد دولت» در صورتی به دست می‌آید که از خسارات سیل آینده به مدارس جلوگیری شود. و امتیاز عملکرد «سازمان» با به حداقل رساندن تعداد دانش‌آموزانی که تحت تأثیر منفی سیل‌های آینده قرار می‌گیرند، به‌دست می‌آیند. در مهلت مقرر، تسهیل کننده از شرکت کنندگان دعوت می کند تا شباهت ها و تفاوت ها را در انتخاب های سرمایه گذاری انجام شده توسط تیم های رنگی مختلف بیابند.

3.2.7. هشدار! مدارس را تخلیه کنیم؟ (ارزیابی تاثیر InaSAFE)

این وظیفه شامل مدیریت اولیه داده‌های مکانی مدارس و خطر سیل است، با توجه به اطلاعات پیش‌بینی ساختگی در مورد احتمال بالای یک طوفان قریب‌الوقوع و بی‌سابقه که منجر به سیل بسیار شدید در 6 تا 12 ساعت می‌شود (“احتمالاً بسیار بدتر از سیل سال 2002”). برای تقلید از شرایط مدیریت بلایا در دنیای واقعی، به شرکت‌کنندگان زمان بسیار کوتاهی داده می‌شود تا داده‌های جمعیت را از GeoNode بارگیری کنند و سپس از InaSAFE برای اجرای تجزیه و تحلیل تأثیر سیل بر روی مدارس و جمعیت برای حمایت از برخی تصمیم‌های دشوار استفاده کنند.

بازیکنان باید اعلام کنند که اگر مدارسی را تخلیه کنند (تصمیم در دست بازیکنان «دولت»)، کدام مدارس را به پناهگاه سیل تبدیل خواهند کرد (تصمیم در دست بازیکنان «دولت»)، و چه مقدار غذا و آب برای مدیریت نیازهای مرتبط با سیل تامین و ذخیره خواهد شد (تصمیمی در دست بازیکنان “سازمان”). تصمیمات بازیکن عواقبی دارد، از جمله امتیازات منفی برای هدر دادن منابع در صورت بیهوده عمل کردن، و همچنین برای ضررهای قابل اجتناب در صورت عدم اقدام.

هنگامی که مهلت تخلیه، پناهگاه و اقلام امدادی به پایان رسید، از شرکت کنندگان دعوت می شود تا شباهت ها و تفاوت های ناشی از الگوهای سرمایه گذاری و فرآیندهای تصمیم گیری اساسی را بررسی کنند. سپس نقشه ای با مناطق سیل زده واقعی در طول سیل شدید آوریل 2013 در لاپلاتا نشان داده می شود – رویدادی که منجر به از دست دادن تقریباً 100 زندگی و خسارات قابل توجهی به مدارس شد. این البته به دلیل بارندگی بسیار شدید بود… اما اکثر مردم اگر کمتر از 2 متر به بالا یا کمتر از 200 متر دورتر حرکت می کردند – یا اگر مدارس به درستی مجهز شده بودند، نمی مردند. اگر قبل از بارندگی، تلاش جمعی از سوی ذینفعان مختلف برای درک بهتر خطرات سیل، شناسایی مناطق به شدت آسیب پذیر انجام می شد، خطر طبیعی احتمالاً به یک فاجعه تبدیل نمی شد. برنامه هایی را برای اقدام اولیه بر اساس هشدار اولیه تنظیم کنید، و مهمتر از همه، از فرصت های ارائه شده توسط Open Data برای تسهیل یادگیری و گفتگو استفاده کنید. این فعالیت بسیاری از جنبه‌های اهداف آموزشی را ادغام می‌کند، نه تنها محتوای فنی ابزارهای نرم‌افزار، بلکه اصول داده‌های باز و همکاری‌های بین‌نهادی.

3.2.8. توضیح: ما چه آموختیم؟

جلسه نهایی بینش‌هایی را از تجربه تعاملی نیم روزه استخراج می‌کند و درس‌ها و ایده‌های کلیدی را برای پیاده‌سازی ابزارها و ذهنیت‌های جدید در کار مشخص شرکت‌کنندگان در بازگشت به وظایف دنیای واقعی خود ترکیب می‌کند. این رویکرد مبتنی بر بازی برای آموزش مدیران بلایا و سایر ذینفعان در مورد داده‌های باز برای انعطاف‌پذیری در محیط‌های بسیار متنوعی به کار گرفته شده است، از کارکنان بانک جهانی در واشنگتن دی سی تا مقامات دولتی و جامعه مدنی مسئول مدیریت خطر سیل در مالاوی، آفریقای جنوبی. . تیم تسهیل گر در GFDRR گزارش می دهد که ماهیت بازیگوش رویداد طراحی شده در ایجاد انگیزه در شرکت کنندگان برای درگیر ماندن در کل جلسه آموزشی بسیار موفق بوده است – برخلاف نگرش های نسبتاً خشک و جدایی که اغلب ناشی از کارگاه های معمولی مبتنی بر آموزش یک طرفه است. با وظایف روشن اما نه بازیگوش برای به کارگیری مهارت های جدید. مهمتر از همه، هم مربیان و هم سازمان هایی که درخواست آموزش می کنند، انگیزه بیشتری برای دستیابی بیشتر و انتشار ابزار و طرز فکر ارزشمند OpenDRI دارند.

4. نتیجه گیری

به عنوان کارکنان بشردوستانه که بیش از حد با زمان، منابع و دانش کمتر مواجه شده اند، بهترین تصمیمات اشتباهی را که می توانیم بگیریم، گرفته ایم. ما در طول تاریخ به رویدادها پاسخ داده ایم. اکنون ما در موقعیتی هستیم که با انجام اقدامات هوشمندانه و به موقع به اطلاعات مربوط به اثرات احتمالی آینده پاسخ دهیم. این تغییر امکانات بسیار زیادی را ارائه می‌کند، اما مشکلات اساسی را نیز به همراه دارد که به تعادل تحلیل و شهود نیاز دارد. اکنون باید ببینیم که چه چیزی جدید ممکن است.

رشد قابل توجه در توانایی ما در جمع آوری، پردازش و انتشار داده های مکانی شایسته برچسب “اختلال کننده” است: پیوندهای میان مجموعه ای از گزینه های موجود به نقطه ای رسیده است که برای مدیران بلایای طبیعی امکان تغییر تفکر و عملکرد ما وجود دارد و کارهای بیشتری را انجام می دهند. کمتر با این حال از ابزارهای اطلاعات جغرافیایی بیشتر برای جمع آوری داده ها استفاده می شود تا تصمیم گیری هوشمندانه و به موقع. ابزارهای جدید در دسترس تنها زمانی برای جلوگیری از ضرر و رنج موثر خواهند بود که افرادی که به آنها نگاه می کنند مایل باشند و بتوانند واقعاً آنچه را که در آنجا وجود دارد ببینند. این در مورد ارتباطات است، نه مجموعه ها. ما باید یادگیری و گفتگو را در مورد چگونگی ادغام آنچه که شناخته شده در آنچه انجام می دهیم تسریع کنیم. رویکردهای مرسوم منجر به تغییرات آهسته شده است: اغلب ما نمی‌توانیم از ضررهایی که کاملاً بر اساس داده‌های موجود قابل پیش‌بینی است جلوگیری کنیم.شکل 7 ). بازی های مشارکتی می تواند کمک کننده باشد.

شکل 7. پزشکان بشردوستانه باید از منطقه آسایش خود خارج شوند تا اطلاعات جغرافیایی عملی را به عمل در دنیای واقعی تبدیل کنند. بازی ها می توانند کمک کنند.

میشلوچی و سیمپرل [ 29 ]، در سرمقاله خود در مورد محاسبات انسانی ( به عنوان مثال ، رویکردهایی برای درک و پیاده سازی سیستم های پردازش اطلاعات که انسان و ماشین را برای دستیابی به قابلیت های بی سابقه ای ترکیب می کنند)، دو نقل قول مرتبط را استناد می کنند:

در تاریخ طولانی نوع بشر (و همچنین نوع حیوانات) کسانی که همکاری و بداهه نوازی را به بهترین نحو آموخته اند غالب بوده اند.

– چارلز داروین، 1859

کامپیوتر فوق العاده سریع، دقیق و احمقانه است. انسان فوق العاده کند، نادرست و درخشان است. ازدواج این دو نیرویی فراتر از محاسبه است.

– لئو چرن، 1968

بخش بشردوستانه باید اساساً رابطه خود با یادگیری را بازسازی کند و به سمت نهادهای مبتنی بر دانش که بتواند به سرعت اطلاعات قابل اعتماد فزاینده در مورد خطرات در حال تغییر را جذب کرده و بر اساس آن عمل کند، تکامل یابد. بازی‌های قابل سکونت و سایر رویکردهای تعاملی، انگیزه بسیار مورد نیاز را برای ایجاد انگیزه، تسریع و تثبیت فرهنگ جدید مدیریت بلایا ارائه می‌دهند که ظرفیت ما را برای تعامل با جهان و تعاملات متحول و جذاب آن به روشی جدید در بر می‌گیرد. بازی های تعاملی خوب طراحی شده می توانند ما را در منطقه عدم تعادل مولد قرار دهند.

البته، بازی‌ها نوشدارویی برای تزریق ابزارهای فضایی به کارهای بشردوستانه نیستند: ممکن است همه چیز اشتباه پیش برود. کل 16 صفحه از بخش 4 در کتاب “بازی برای یک اقلیم جدید” [ 12] به مشکلات مشاهده‌شده‌ای که می‌توانند در فرآیندهای فعال‌شده بازی ظاهر شوند و راه‌هایی برای رسیدگی به خطرات نوظهور اختصاص دارد. مسائلی از جمله ساده‌سازی ناکافی پیچیدگی دنیای واقعی، تسهیل‌گری بدون مهارت، ابعاد اخلاقی اقتدار و تنوع فرهنگی، و حتی یک شرکت‌کننده بزرگسال که به دلیل اشتیاق بیش از حد در بین بازیکنانی که برای منابع کمیاب رقابت می‌کنند، در بیمارستان بستری می‌شود. طراحان و تسهیل‌کننده‌های فعالیت‌های مبتنی بر بازی برای اطلاعات مکانی باید بدانند که مانند هر ابزار جدید، بازی‌ها هم می‌توانند مفید باشند و هم آسیب – سرمایه‌گذاری زمان و توجه برای پیش‌بینی خطرات و تضمین یک تجربه بازی ایمن و سازنده برای همه ضروری است.

این مقاله یک چارچوب تحلیلی ارائه کرده است که توضیح می‌دهد چرا مدل‌های پویا سیستم قابل پخش می‌توانند شرکت‌کنندگان را در یک یادگیری تعاملی و تجربه گفتگوی شدید غوطه‌ور کنند که نتایج را تسریع می‌کند. دو مطالعه موردی امکان بهبود تعامل را نشان داده‌اند، هم در اطلاعات جغرافیایی جمع‌سپاری شده در دنیای واقعی برای پیش‌بینی سیل برای جوامع در جنوب صحرای آفریقا، و هم در آموزش کارکنان دولت و جامعه مدنی در مورد داده‌های باز برای انعطاف‌پذیری. در حالی که البته هنوز کارهای زیادی برای بررسی کامل و دقیق ارزش و محدودیت‌های رویکرد پیشنهادی باید انجام شود، واضح است که این تلاش‌ها اولین گام‌ها در تعقیب نوآوری است که می‌تواند به مدیران بلایا کمک کند تا درک و استفاده از اطلاعات جغرافیایی را بیشتر کنند. حمایت از تصمیمات بشردوستانه وظایف پیش رو عظیم هستند.

منابع

سوارز، پی. پیوند دانش و تصمیمات آب و هوا: چالش های بشردوستانه . Frederick S. Pardee Center for Study of Longer-Range Future، دانشگاه بوستون: بوستون، MA، ایالات متحده آمریکا، 2009. [ Google Scholar ]
گونسالوز، پی. مدلسازی دینامیک سیستم عملیات امداد بشردوستانه . دانشکده مدیریت MIT Sloan: کمبریج، MA، ایالات متحده آمریکا، 2008. [ Google Scholar ]
Koster, R. A Theory of Fun for Game Design ; Paraglyph Press: Phoenix، AZ، USA، 2004. [ Google Scholar ]
گودمن، الف. چرا ارائه بد به دلایل خوب اتفاق می افتد . ارتباطات علت: سانتا مونیکا، کالیفرنیا، ایالات متحده آمریکا، 2006. [ Google Scholar ]
رنگ، BS; مک واترز، وی. ون دریل، آر. آموزش بداهه نویسی کاربردی برای آمادگی و واکنش در بلایا: آماده سازی کارگران و جوامع بشردوستانه برای موارد غیرمنتظره. J. Humanit. تدارکات. مدیریت زنجیره تامین 2015 ، 5 ، 73-94. [ Google Scholar ] [ CrossRef ]
بیرن، ای جی; پاگزلی، ال. هاشم، کارشناسی ارشد بررسی مطالعات تطبیقی آموزش مهارت های بالینی. پزشکی آموزش دهید. 2008 ، 30 ، 764-767. [ Google Scholar ] [ CrossRef ] [ PubMed ]
مک گونیگال، جی. واقعیت شکسته است: چرا بازی ها ما را بهتر می کنند و چگونه می توانند جهان را تغییر دهند . گروه پنگوئن: نیویورک، نیویورک، ایالات متحده آمریکا، 2011. [ Google Scholar ]
Abt, C. Serious Games ; Viking Press: نیویورک، نیویورک، ایالات متحده آمریکا، 1970. [ Google Scholar ]
هارتولد، سی. سرمقاله Suarez, P. Guest: بازی هایی برای یادگیری و گفتگو در مورد کارهای بشردوستانه. J. Humanit. تدارکات. مدیریت زنجیره تامین 2015 ، 5 ، 61-72. [ Google Scholar ] [ CrossRef ]
مکلین، سی. Sharp, J. Freakin’ hard: برنامه های درسی بازی درباره طراحی بازی، مسائل و فناوری. در بازی‌ها، یادگیری و جامعه: یادگیری و معنا در عصر دیجیتال . Steinkeuhler, C., Squire, K., Barab, S., Eds.; انتشارات دانشگاه کمبریج: نیویورک، نیویورک، ایالات متحده آمریکا، 2012; صص 381-402. [ Google Scholar ]
سالن، ک. Zimmerman, E. Rules of Play: Game Design Fundamentals ; مطبوعات MIT: کمبریج، MA، ایالات متحده آمریکا، 2003. [ Google Scholar ]
مندلر دی سوارز، جی. سوارز، پی. باکوفن، سی. فورتوگنو، ن. گوئنتزل، جی. گونسالوز، پی. گریست، ن. مکلین، سی. فایفر، ک. شوایزر، اس. و همکاران بازی برای آب و هوای جدید: تجربه پیچیدگی خطرات آینده . Frederick S. Pardee Center for Study of Longer-Range Future، دانشگاه بوستون: بوستون، MA، ایالات متحده آمریکا، 2009. [ Google Scholar ]
Omenn, GS قضاوت علمی معتبر در مورد خطرات مهم بهداشتی و زیست محیطی و راه هایی برای کاهش موثر این خطرات. هوم Ecol. ارزیابی ریسک 2001 ، 17 ، 800-806. [ Google Scholar ]
سوارز، پی. مندلر دی سوارز، جی. کوئل، بی. بویکوف، ام. سرگرمی جدی: افزایش انطباق مبتنی بر جامعه از طریق یادگیری تجربی. در سازگاری مبتنی بر جامعه با تغییرات اقلیمی: افزایش مقیاس آن ؛ Schipper, EL, Ayers, J., Reid, H., Huq, S., Rahman, A., Eds.; Routledge: لندن، انگلستان، 2014; صص 136-151. [ Google Scholar ]
شنک، تی. Susskind، L. بازی برای اکشن: تمرین‌های شبیه‌سازی نقش‌آفرینی برای تحقیقات اقدام مشارکتی در مورد سازگاری با تغییرات آب و هوا. در اقدام پژوهی برای شیوه های انطباق: توسعه و بکارگیری دانش برای حکمرانی . van Buuren، A.، Eshuis، J.، van Vliet، M.، Eds. Routledge: لندن، انگلستان، 2014; صص 148-163. [ Google Scholar ]
استرمن، JD برداشت های نادرست از بازخورد در تصمیم گیری پویا. عضو. رفتار هوم تصمیم می گیرد. روند. 1989 ، 43 ، 301-335. [ Google Scholar ]
جکسون، پی‌زی ایزی: گذرگاهی برای خلاقیت و اعتماد به نفس . PJA: لندن، بریتانیا، 2015. [ Google Scholar ]
Kolb، DA یادگیری تجربی: تجربه به عنوان منبع یادگیری و توسعه . پرنتیس هال: شهرستان برگن، نیوجرسی، ایالات متحده آمریکا، 1984; پ. 38. [ Google Scholar ]
پت، AG; گواتا، سی. کاربردهای موثر پیش‌بینی آب و هوای فصلی: بررسی محدودیت‌ها برای کشاورزان معیشتی در زیمبابوه. گلوب. محیط زیست چانگ. هوم ابعاد سیاست. 2002 ، 12 ، 185-195. [ Google Scholar ] [ CrossRef ]
Carr, ER; آبراهامز، دی. Tozier de la Poterie، A. آسیب پذیری در برابر تنش های آب و هواشناسی در Kazungula، زامبیا: نقش هشدار اولیه در کاهش خطر بلایا و سازگاری با آب و هوا . مرکز آب و هوا هلال احمر صلیب سرخ: لاهه، هلند، 2015. [ Google Scholar ]
کوگلن دی پرز، ای. ون دن هورک، بی. ون آلست، ام. جونگمن، بی. کلوز، تی. Suarez, P. تامین مالی مبتنی بر پیش‌بینی: رویکردی برای تسریع اقدامات بشردوستانه بر اساس پیش‌بینی‌های آب و هوای شدید و آب و هوا. نات. سیستم خطرات زمین. علمی 2015 ، 15 ، 895-904. [ Google Scholar ] [ CrossRef ]
گوردون، ای. والتر، اس. Suarez, P. Engagement Games: موردی برای طراحی بازی برای تسهیل کنش در دنیای واقعی . EGL: بوستون، MA، ایالات متحده آمریکا، 2014. [ Google Scholar ]
هاکلی، ام. علم شهروندی و اطلاعات جغرافیایی داوطلبانه – نمای کلی و گونه‌شناسی مشارکت. در جمع سپاری دانش جغرافیایی: اطلاعات جغرافیایی داوطلبانه (VGI) در تئوری و عمل . Sui، DZ، Elwood، S.، Goodchild، MF، Eds. Springer: برلین، آلمان، 2013; صص 105-122. [ Google Scholar ]
ناسا – سازمان ملی هوانوردی و فضایی. توسعه دهنده. بهار 2014. در دسترس آنلاین: http://engagementgamelab.org/pdfs/TheDEVELOPer-Newsletter-Spring2014.pdf (در 29 آوریل 2015 قابل دسترسی است).
کوگلان دی پرز، ای. موناسو، اف. ون آلست، ام. Suarez, P. علم برای جلوگیری از بلایا. نات. Geosci. 2014 ، 7 ، 78-79. [ Google Scholar ] [ CrossRef ]
موسسه محاسبات انسانی. نقشه راه تحقیقاتی ایالات متحده برای محاسبات انسانی . HCI: واشنگتن، دی سی، ایالات متحده آمریکا، 2015. [ Google Scholar ]
Newman, G. Citizen CyberScience- جهت ها و فرصت های جدید برای محاسبات انسانی. هوم محاسبه کنید. 2014 ، 1 ، 103-109. [ Google Scholar ] [ CrossRef ]
بانک جهانی. راهنمای میدانی Open Data for Resilience بانک جهانی: واشنگتن، دی سی، ایالات متحده آمریکا، 2014. [ Google Scholar ]
میشلوچی، پی. Simperl، E. سرمقاله. هوم محاسبه کنید. 2014 ، 1 ، 1-3. [ Google Scholar ] [ CrossRef ]

© 2015 توسط نویسندگان; دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (http://creativecommons.org/licenses/by/4.0/) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب