A multi-attribute ranking approach based on net inferiority and superiority indexes, two weight vectors, and generalized Heronian means
Notice bibliographique
Résumé
In this paper, we propose a three-phase multi-attribute ranking approach having as outcomes of the modeling phase what we refer to as net superiority and inferiority indexes. These are defined as bounded differences between the classical superiority and inferiority indexes. The suggested approach herein named MANISRA (Multi-Attribute Net Inferiority and Superiority based Ranking Approach) employs in the aggregation phase a bi-parameterized family of compound averaging operators (CAOPs) referred to as generalized Heronian OWAWA (GHROWAWA) operators having the usual OWAWA operators as special instances. Note that the new defined operators are built by using a composition of an arbitrary bi-parameterized binary Heronian mean with the weighted average (WA) and the ordered weighted averaging (OWA) operators. Also, note that the current developed MANISRA method generalizes the superiority and inferiority ranking (SIR-SAW) method which is known to coincide with the quite popular PROMETHEE II method when the net flow rule is used. With net superiority and inferiority indexes and GHROWAWA operators, we are better equipped to rank rationally pre-specified alternatives. The basic formulations, notations, phases and interlocking tasks related to the proposed approach are presented herein and its feasibility and effectiveness are shown in a real problem.
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 | 0,015 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| 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; 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 ».