Optimal Interaction Priority Calculation From Hesitant Fuzzy Preference Relations Based on the Monte Carlo Simulation Method for the Acceptable Consistency and Consensus
Notice bibliographique
Résumé
To address the situation where the complete consistency is unnecessary, a stepwise optimization model-based method for testing the acceptably additive consistency (AAC) of hesitant fuzzy preference relations (HFPRs) is introduced. Then, an AAC concept for HFPRs is defined. Meanwhile, incomplete HFPRs (iHFPRs) are discussed and a series of optimization models to acquire complete HFPRs is constructed. If the consistency is unacceptable, an optimization model for revising unacceptably consistent HFPRs under the conditions of the AAC and maximizing the ordinal consistency (OC) is offered. Subsequently, a model for minimizing the number of adjusted variables is presented. Considering the weighting information and the consensus for group decision making (GDM), the weights of fuzzy preference relations (FPRs) obtained from each individual HFPR and the decision makers (DMs) are determined using the distance measure. With regard to the consensus, two models for reaching the consensus requirement and minimizing the amount of revised variables are separately constructed, which are both based on the analysis of maximizing the OC. Furthermore, the thresholds of the additive consistency and the consensus are studied using the Monte Carlo simulation method. A GDM algorithm with HFPRs is offered. Finally, an example and comparison are provided to show the efficiency of the new procedure.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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 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 ».