Consistency- and Consensus-Based Group Decision-Making Method With Incomplete Probabilistic Linguistic Preference Relations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The use of incomplete probabilistic linguistic term sets (InPLTSs) can enrich the flexibility of qualitative decision-making information expression, especially in decision-making situations with high time pressure and insufficient knowledge. In this article, we develop a method for group decision-making (GDM) with incomplete probabilistic linguistic preference relations (InPLPRs), considering consistency and consensus simultaneously. First, to fully explore the ability of InPLTSs to express uncertain information, InPLTSs are specifically classified. Then, an expected multiplicative consistency of InPLPRs is introduced, which is conducive to estimating the missing information more accurately and effectively. Subsequently, considering the consensus of GDM problems, a consensus index, which considers the principle of majority and minority, is developed to measure the agreement degree among multiple individuals. Because individual InPLPRs may not all meet acceptable consistency after reaching consensus, a consistency- and consensus-improving mathematical programming model considering information distortion is presented. Then, to aggregate all individual preference relations into a collective one, a reliability-induced ordered weighted geometric operator is introduced, whose induced variable reliability is determined by the confidence degree and consistency index of individual preference relations. Furthermore, a multiphase algorithm with InPLPRs is developed to solve GDM problems. Finally, a numerical example of fire emergency decisions is presented to illustrate the applicability of the proposed method, and a detailed validity test and comparative analysis are conducted to highlight the advantages of the proposed method.
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.
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 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 découle