MODELLING THE ADAPTATION OF BUSINESS CONTINUITY PLANNING BY BUSINESSES USING NEURAL NETWORKS
Notice bibliographique
Résumé
SUMMARY Business continuity planning is an important element of business continuity management and is regarded as a fundamental step towards reducing the negative impacts of business disruptions caused by internal and external hazardous events. Many businesses are not prepared for such events, and very few studies have tried to examine and model the factors that contribute to business continuity management planning by various companies. In this paper we propose and develop a feed‐forward neural network for modelling businesses continuity planning by businesses based on a dataset of 283 businesses operating in the Greater Toronto Area in Ontario, Canada. The fully connected neural network applied was trained on 65 % of the dataset records using different subsets of input variables. In order to preserve the generalization ability of the trained network, 15 % of the dataset records were used as a validation set for early stopping during the network's training process. Prediction capability of the trained networks was evaluated on 20 % and never‐seen records of the dataset. The classification ability of the networks was then analysed using receiver operating characteristic and detection error trade‐off curves, where the results obtained were promising. The equal error rate for the best models was 12 %, which reflects a very good accuracy of these models in predicting the existence of business continuity planning for a generic company. Copyright © 2011 John Wiley & Sons, Ltd.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».