A Mixed Rough Sets/Fuzzy Logic Approach for Modelling Systemic Performance Variability with FRAM
Notice bibliographique
Résumé
The task to understand systemic functioning and predict the behavior of today’s sociotechnical systems is a major challenge facing researchers due to the nonlinearity, dynamicity, and uncertainty of such systems. Many variables can only be evaluated in terms of qualitative terms due to their vague nature and uncertainty. In the first stage of our project, we proposed the application of the Functional Resonance Analysis Method (FRAM), a recently emerging technique, to evaluate aircraft deicing operations from a systemic perspective. In the second stage, we proposed the integration of fuzzy logic into FRAM to construct a predictive assessment model capable of providing quantified outcomes to present more intersubjective and comprehensible results. The integration process of fuzzy logic was thorough and required significant effort due to the high number of input variables and the consequent large number of rules. In this paper, we aim to further improve the proposed prototype in the second stage by integrating rough sets as a data-mining tool to generate and reduce the size of the rule base and classify outcomes. Rough sets provide a mathematical framework suitable for deriving rules and decisions from uncertain and incomplete data. The mixed rough sets/fuzzy logic model was applied again here to the context of aircraft deicing operations, keeping the same settings as in the second stage to better compare both results. The obtained results were identical to the results of the second stage despite the significant reduction in size of the rule base. However, the presented model here is a simulated one constructed with ideal data sets accounting for all possible combinations of input variables, which resulted in maximum accuracy. The same should be further optimized and examined using real-world data to validate the results.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».