MétaCan
Menu
Retour à la cohorte
Enregistrement W2102808370 · doi:10.1504/ijep.2010.034236

A fuzzy multi-criteria decision analysis approach for the management of petroleum-contaminated sites

2010· article· en· W2102808370 sur OpenAlexaffabout
Jianbing Li, Mohammad Habibur Rahman, Ronald W. Thring

Notice bibliographique

RevueInternational Journal of Environment and Pollution · 2010
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueMulti-Criteria Decision Making
Établissements canadiensUniversity of Northern British Columbia
Organismes subventionnairesAustralian Government
Mots-clésRemedial educationRemedial actionRanking (information retrieval)Fuzzy logicStakeholderMultiple-criteria decision analysisEnvironmental remediationSite selectionRank (graph theory)Selection (genetic algorithm)Contaminated landComputer scienceFuzzy setAnalytic hierarchy processRisk analysis (engineering)Operations researchEngineeringMathematicsContaminationMachine learningBusinessArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

This paper presents an effective Fuzzy Multi-Criteria Decision Analysis (FMCDA) approach for contaminated site management. The development was based on: selecting eight criteria for remedial alternative evaluation and determining the weight of criteria importance under uncertainty; addressing various uncertainty issues in remedial alternative assessment process using a fuzzy-set approach based on the questionnaire survey results; evaluating and ranking remedial alternatives by establishing a fuzzy evaluation matrix of remediation alternatives through comprehensively considering different stakeholder opinions and uncertainties within a general decision analysis framework. A case study on the remedial alternative selection for a contaminated site in western Canada is conducted to illustrate the efficiency and applicability of the developed approach.

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)0,005
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,028

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,006
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0050,003
Études des sciences et des technologies0,0020,001
Communication savante0,0030,002
Science ouverte0,0020,002
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,070
Tête enseignante GPT0,381
Écart entre enseignants0,310 · 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'étudeSimulation ou modélisation
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

Citations13
Publié2010
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Environment and PollutionMême sujetMulti-Criteria Decision MakingTravaux en français237 207