MétaCan
Menu
Retour à la cohorte
Enregistrement W1822084430 · doi:10.1287/moor.2014.0709

Analogy in Decision Making

2015· article· en· W1822084430 sur OpenAlexaff
Massimiliano Amarante

Notice bibliographique

RevueMathematics of Operations Research · 2015
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueDecision-Making and Behavioral Economics
Établissements canadiensUniversité de Montréal
Organismes subventionnairesnon disponible
Mots-clésAnalogyGeneralityMathematicsPreferenceMathematical economicsOperator (biology)Artificial intelligenceComputer scienceEpistemology

Résumé

récupéré en direct d'OpenAlex

In the context of decision making under uncertainty, I formalize the concept of analogy: an analogy between two decision problems is a mapping that transforms one problem into the other while preserving the problem’s structure. After identifying the basic structure of a decision problem, I introduce the concepts of analogical reasoning operator and of analogical reasoning preference. The former maps the decision problem at hand into a family of decision problems, which are analogous to the problem under consideration. The latter is the result of aggregating the various analogies. I provide several representations (in decreasing order of generality) of the analogical reasoning operators. After introducing two mild assumptions on the aggregators of analogies, I characterize analogical reasoning (AR) preferences. I give several examples of AR preferences and of the associated aggregators. These include Gilboa-Schmeidler similarities, Choquet integrals, and quantiles. Finally, I show that the class of monotone continuous invariant biseparable (MCIB) preferences (which includes many popular models of decision making under uncertainty) has an important stability property: any MCIB preference is an AR preference; conversely, every AR preference that results from aggregating MCIB preferences is an MCIB preference.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,037

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,013
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0030,003
Études des sciences et des technologies0,0020,010
Communication savante0,0050,009
Science ouverte0,0020,004
Intégrité de la recherche0,0030,005
Charge utile insuffisante (le modèle a refusé de juger)0,0090,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,656
Tête enseignante GPT0,610
Écart entre enseignants0,046 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMathematics of Operations ResearchMême sujetDecision-Making and Behavioral EconomicsTravaux en français237 207