GIS‐Based Multiple‐Criteria Decision Analysis
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.
Notice bibliographique
Résumé
Abstract Important and complex spatial decisions, such as allocating land to development or conservation‐oriented goals, require information and tools to aid in understanding the inherent tradeoffs. They also require mechanisms for incorporating and documenting the value judgements of interest groups and decision makers. Multiple‐criteria decision analysis (MCDA) is a family of techniques that aid decision makers in formally structuring multi‐faceted decisions and evaluating the alternatives. It has been used for about two decades with geographic information systems (GIS) to analyse spatial problems. However, the variety and complexity of MCDA methods, with their varying terminologies, means that this rich set of tools is not easily accessible to the untrained. This paper provides background for GIS users, analysts and researchers to quickly get up to speed on MCDA, supporting the ultimate goal of making it more accessible to decision makers. A number of factors for describing MCDA problems and selecting methods are outlined then simplified into a decision tree, which organises an introduction of key methods. Approaches range from mathematical programming and heuristic algorithms for simultaneously optimising multiple goals, to more common single‐objective techniques based on weighted addition of criteria values, attainment of criteria thresholds, or outranking of alternatives. There is substantial research that demonstrates ways to couple GIS with multi‐criteria methods, and to adapt MCDA for use in spatially continuous problems. Increasing the accessibility of GIS‐based MCDA provides new opportunities for researchers and practitioners, including web‐based participation and advanced visualisation of decision processes.
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 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 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| 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) | 0,017 | 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 découle