Applying the Concept of Partially Ordered Sets on the Ranking of Near-Shore Sediments by a Battery of Tests
Notice bibliographique
Résumé
When a ranking of some objects (chemicals, geographical sites, river sections, etc.) by a multicriteria analysis is of concern, then it is often difficult to find a common scale among the criteria, and therefore even the simple sorting process is performed by applying additional constraints, just to get a ranking index. However such additional constraints, often arising from normative considerations, are controversially discussed. The theory of partially ordered sets and its graphical representation (Hasse diagrams) does not need such additional information just to sort the objects. Here, the approach of using partially ordered sets is described by applying it to a battery of tests, developed by Dutka et al. In our analysis we found the following: (1) The dimension analysis of partially ordered sets suggests that, at least in the case of the 55 analyzed samples and the evaluation by the scores, developed by Dutka et al., there is a considerable redundancy with respect to ranking. The visualization of the sediment sites can be performed within a two-dimensional grid. (2) Information, obtained from the structure of the Hasse diagram: For example six classes of sediment sites have high priority, and each class exhibits a different pattern of results. (3) Loss of information, when an aggregation of test results is used in order to guarantee complete comparability among all objects. A relation between information drawn from the graphic and the uncertainty of ranking after using an aggregation is given. (4) The sensitivity analysis identifies one test as most important, namely the test for Fecal Coliforms/Escherichia coli. This means that the ranking of samples is heavily influenced by the results of this specific test.
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 ».