Information fusion measures of effectiveness (MOE) for decision support
Notice bibliographique
Résumé
For decades, there have been discussions on measures of merits (MOM) that include measures of effectiveness (MOE) and measures of performance (MOP) for system-level performance. As the amount of sensed and collected data becomes increasingly large, there is a need to look at the architectures, metrics, and processes that provide the best methods for decision support systems. In this paper, we overview some information fusion methods in decision support and address the capability to measure the effects of the fusion products on user functions. The current standard Information Fusion model is the Data Fusion Information Group (DFIG) model that specifically addresses the needs of the user in an information fusion system. Decision support implies that information methods augment user decision making as opposed to the machine making the decision and displaying it to user. We develop a list of suggested measures of merits that facilitate decision support decision support Measures of Effectiveness (MOE) metrics of quality, information gain, and robustness, from the analysis based on the measures of performance (MOPs) of timeliness, accuracy, confidence, throughput, and cost. We demonstrate in an example with motion imagery to support the MOEs of quality (time/decision confidence plots), information gain (completeness of annotated imagery for situation awareness), and robustness through analysis of imagery over time and repeated looks for enhanced target identification confidence.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,052 | 0,193 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,011 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,008 | 0,013 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».