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

Analogy in Decision Making

2015· article· en· W1822084430 sur OpenAlex
Massimiliano Amarante

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,015
score de la tête « metaresearch » (Gemma)0,020
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,800
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0150,020
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,001

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