Development of a Matrix Based Statistical Framework to Compute Weight for Composite Hazards, Vulnerability and Risk Assessments
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
Selection of relative weights for different indicators is a critical step during assessment of composite hazards, vulnerability, and risk. While assigning weight to an indicator, it is important to consider the influence of an individual indicator on a particular composite index. In general, the larger the weight of the indicator, the higher the importance of that indicator compared to other indicators. In this study, a new matrix based statistical framework (MSF) for weight assignment is developed that can be considered as the simplest and most accurate method for assigning weights for a large number of indicators. This method (MSF) is based on the valuation of the correlation matrix and Eigenvector associated with Eigenvalue. Relying on the inter build up methodology, MSF can fulfill some built-in gaps among other weightage methods. It can also directly give the ‘decision’ to select the relative weights that are found from the Eigenvector corresponding to the largest Eigenvalue. The new method is applied by assigning weights to 15 socio-economic indicators and assessed vulnerability and risk in the Bangladesh coast. While comparing with other weight methods, it is found that MSF gives the most acceptable physical explanation about the relative values of weights of indicators. In terms of accuracy, MSF is found to be most accurate compared to other weight methods. When large numbers of indicators are involved in an application, MSF is found to be relatively simple and easy to apply compared to other methods.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 découle