Pythagorean fuzzy combinative distance-based assessment with pure linguistic information and its application to financial strategies of multi-national companies
Notice bibliographique
Résumé
This article addresses the issue of selecting Financial Strategies in Multi-National companies (F.S.M.). The F.S.M. typically has to consider multiple factors involving multiple stakeholders and, hence, can be handled by applying an appropriate Multi-Criteria Group Decision-Making (M.C.G.D.M.) approach. To address this issue, we develop an M.C.G.D.M. framework to tackle the F.S.M. problem. To handle inherent uncertainty in business decisions as reflected by linguistic reasoning, we embark on constructing a Linguistic Pythagorean Fuzzy (L.P.F.) M.C.G.D.M. framework that is capable of tackling both uncertain decision information and linguistic variables. The proposed approach extends the combinative distance-based assessment (C.O.D.A.S.) method into the L.P.F. environment, and processes decision input expressed as Pythagorean fuzzy sets (P.F.S.) and pure linguistic variables (rather than converting linguistic information into fuzzy numbers). The developed L.P.F.-C.O.D.A.S. technique aggregates the L.P.F. information and is applied to the F.S.M. problem with uncertain linguistic information. A comparative analysis is carried out to compare the results obtained from the proposed L.P.F.-C.O.D.A.S. approach with those from other extensions of C.O.D.A.S. Furthermore, a sensitivity analysis is conducted to check the impact of changes in a distance threshold parameter on the ranking 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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».