Representations of status quo analysis in the graph model for strength of preference
Notice bibliographique
Résumé
In this paper, status quo analysis is addressed by using both logical and matrix representations in the graph model with strength of preference. The graph model for conflict resolution (GMCR) provides a convenient and effective means to model and analyze a strategic conflict. The graph model has entertained diverse preference structures to characterize decision-makers' (DMs) preference over feasible states, including simple preference, preference uncertainty, and strength of preference. The ¿simple preference¿ structure consists of a strict preference relation and an indifference relation to represent a DM's preference for one state relative to another. Another ¿strength of preference¿ framework allows a DM to express its strong or mild preference for one state over another, as well as the indifference relation. When a graph model is established for a strategic conflict, the standard practice is to carry out a stability analysis first, and then, followed by a post-stability analysis such as coalition analysis and status quo analysis. Status quo analysis complements stability analysis and aims at assessing whether predicted equilibria are attainable from the status quo. So far, status quo analysis has been examined for the graph model with simple preference and both logical and matrix representations of status quo analysis have been developed. This article extends these results to handle status quo analysis for the graph model with strength of preference. The algebraic method is illustrated using a conflict over proposed bulk water exports from Lake Gisborne in Newfoundland.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».