Techniques to model uncertain input data of multi‐criteria decision‐making problems: a literature review
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 There are a few studies in the literature regarding possible types of uncertainty in input data of multi‐criteria decision making (MCDM) or multi‐criteria decision analysis (MCDA) problems and the techniques employed to deal with each of them. Therefore, the aim of this study is to identify the different types of uncertainty that occur in input data of MCDM/MCDA problems and the most appropriate techniques to deal with each one of these uncertainty types. In this paper, a comprehensive literature review is presented in order to meet this objective. We selected and summarized 134 international journal articles. They were analyzed based on the type of data with uncertainty, the type of uncertainty, and the technique used to model it. We identified three distinct types of uncertainty in input data of MCDM/MCDA problems, namely (i) uncertainty due to ambiguity, (ii) uncertainty due to randomness, and (iii) uncertainty due to partial information. We identified a new generation of fuzzy approaches including Type‐2, intuitionistic, and hesitant fuzzy sets (FSs), which are used to model these types of uncertainty alongside other approaches such as traditional FSs theory, probability theory, evidential reasoning theory, rough set theory, and grey numbers. Finally, a framework that indicates techniques used in different decision‐making contexts under uncertainty is proposed.
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 | 0,026 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,010 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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