A normal wiggly hesitant fuzzy linguistic projection‐based multiattributive border approximation area comparison method
Notice bibliographique
Résumé
As a useful information representation tool, hesitant fuzzy linguistic term set (HFLTS) allows decision makers (DMs) to express their cognitive preferences in terms of several ordered and continuous linguistic terms. Considering the fact that much valuable information related to the cognitive behavior of DMs is hidden in the original evaluation information, this paper studies how to comprehensively mine uncertain information from original hesitant fuzzy linguistic evaluation information given by DMs. To address this objective, we present a new representation tool, normal wiggly hesitant fuzzy linguistic term set (NWHFLTS), which not only retains the original evaluation information, but also delivers and quantifies potential uncertain information, and can also help DMs express their evaluation information in a more complete manner. First, we develop the basic operations, score function, and comparison rule of NWHFLTS based on linguistic scale functions (LSFs), and propose the projection measure, the normal projection measure, and the normalized projection-based distance measure to describe the degree of deviation between two NWHFLTSs. Furthermore, for the case when the attribute weight is completely unknown, we combine the multiattributive border approximation area comparison (MABAC) method and develop a new method called as normal wiggly hesitant fuzzy linguistic projection-based MABAC to solve the multiattribute decision-making problems where attribute values are expressed in the form of NWHFLTS. Finally, through a practical example of marine ecological security situation, the specific calculation steps of this method are exemplified, the feasibility and advancement of the proposed method are demonstrated via a comprehensive comparative study.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».