MétaCan
Menu
Retour à la cohorte
Enregistrement W3080892763 · doi:10.1109/tfuzz.2020.3018110

A Comparative Study Between Analytic Hierarchy Process and Its Fuzzy Variants: A Perspective Based on Two Linguistic Models

2020· article· en· W3080892763 sur OpenAlexaff
Bowen Zhang, Cong‐Cong Li, Yucheng Dong, Witold Pedrycz

Notice bibliographique

RevueIEEE Transactions on Fuzzy Systems · 2020
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueMulti-Criteria Decision Making
Établissements canadiensUniversity of Alberta
Organismes subventionnairesFundamental Research Funds for the Central UniversitiesNatural Science Foundation of Shaanxi ProvinceNational Natural Science Foundation of China
Mots-clésAnalytic hierarchy processFuzzy setComputer scienceArtificial intelligenceFuzzy logicRank (graph theory)HierarchyTransitive relationMathematicsLinguisticsData miningMachine learningOperations research

Résumé

récupéré en direct d'OpenAlex

The analytic hierarchy process (AHP) is widely employed to guide the decision-maker to rank or evaluate the alternatives in decision activities. Its fuzzy set-based version, i.e., the fuzzy AHP, has also been widely studied and applied since its inception. The essential distinction between the AHP and fuzzy AHP comes from the diverse transformation methods between the linguistic and numeric judgments. In this article, we conduct a thorough comparative study between the AHP and fuzzy AHP methods in the framework of two linguistic models, i.e., the linguistic model based on the membership functions and two-tuple linguistic model. First, four AHP and three fuzzy AHP methods are revisited with the involvement of two linguistic models. Then, the comparison criteria are involved by calculating the cardinal or ordinal deviation between the original information and decision solutions, and the effects of the transitivity of the reciprocal matrix are also discussed in the comparative study. Finally, the detailed experiments along with a thorough comparative analysis are conducted based on the random and publicly available data to show the difference between the AHP and fuzzy AHP methods.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,014
score de la tête « metaresearch » (Gemma)0,021
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,073

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0140,021
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0060,006
Études des sciences et des technologies0,0010,003
Communication savante0,0060,007
Science ouverte0,0010,002
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,254
Tête enseignante GPT0,441
Écart entre enseignants0,188 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations29
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Fuzzy SystemsMême sujetMulti-Criteria Decision MakingTravaux en français237 207