Notice bibliographique
Résumé
We discuss in this paper the decision making in choosing the best alternative from some available options based on possibly a large number of selection criteria. This multi-criteria decision problem typically arises in supplier selection in supply chain management. Recently, there has been an increasing interest in the applications of dimensional reduction methods such as factor analysis to such decision processes. They have been widely applied in conjunction with some classical methods such as AHP to create a hierarchical structure and identify the underlying factors or constructs. There are, however, a number of inherent issues and difficulties which have not been adequately addressed in the literature. For instance, there may be some criteria which load significantly on more than one factor, creating considerable difficulties in categorizing the criteria into mutually exclusive groups. More importantly, it is seen in this paper that it is not always sensible to determine the importance of an identified factor according to its amount of shared common variance or explained variation. Similarly, attempts to routinely determine the local relative weight (within a factor) of importance of a criterion based on its factor loading or correlation with the factor may also lead to results markedly different from those based on the views or judgement of the practitioner or expert. To circumvent these difficulties, a simple, practical and easily implemented procedure is proposed. Although factor analysis is employed, it merely serves as a means of facilitating the direct rating of importance of each criterion, alleviating many of the difficulties of the classical factor analysis approach. Two examples are given to illustrate the proposed method and illustrate some potential problems of current approaches in the literature.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,013 | 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 ».