A secondary goal in DEA cross-efficiency evaluation: A “one home run is much better than two doubles” criterion
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
Data Envelopment Analysis (DEA) is a mathematical programming approach for assessing the relative efficiency of decision making units (DMUs). The cross-efficiency evaluation is an extension of DEA that provides a ranking method and eliminates unrealistic DEA weighting schemes on weight restrictions, without requiring a prior information. The cross-efficiency evaluation may have some shortages, e.g. the cross-efficiency scores may not be unique due to the presence of several optima. To rectify this issue, several secondary goals have been proposed in the literature. Some scholars have proposed several cross-efficiency evaluations based on maximising (minimising) the total deviation from their ideal point as an aggressive (benevolent) perspective. In some cases, minimising (maximising) the number of DMUs that achieve their target efficiencies, is more important than maximising (minimising) the total deviation from the ideal point. We propose some alternative models for the cross-efficiency evaluation based on the cardinality of the set of “satisfied DMUs”, i.e. the DMUs that achieve their maximum efficiencies. For aggressive (benevolent) cross-efficiency evaluation, among all the optimal weights for a specific unit, we choose the weights which can maximise its efficiency, and at the same time minimise (maximise) the number of satisfied units. We demonstrate how the proposed method can be implemented and illustrate the method using two examples.
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 | 0,056 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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