Human Centricity and Perception-Based Perspective and Their Centrality to the Agenda of Granular Computing
Notice bibliographique
Résumé
In spite of their striking diversity, numerous tasks and architectures of intelligent systems such as those permeating multivariable data analysis, decision-making processes along with their underlying models, recommender systems and others exhibit two evident commonalities. They promote (a) human centricity and (b) vigorously engage perceptions (rather than plain numeric entities) in the realization of the systems and their further usage. Information granules play a pivotal role in such settings. Granular Computing delivers a cohesive framework supporting a formation of information granules and facilitating their processing. The author exploits two essential concepts of Granular Computing. The first one deals with the construction of information granules. The second one helps endow constructs of intelligent systems with a much needed conceptual and modeling flexibility. The study elaborates in detail on the three representative studies. In the first study being focused on the Analytic Hierarchy Process (AHP) used in decision-making, the author shows how an optimal allocation of granularity helps improve the quality of the solution and facilitate collaborative activities in models of group decision-making. The second study is concerned with a granular interpretation of temporal data where the role of information granularity is profoundly visible when effectively supporting human centric description of relationships existing in data. The third study concerns a formation of granular logic descriptors on a basis of a family of logic descriptors.
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 distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».