A Granular Computing-Driving Hesitant Fuzzy Linguistic Method for Supporting Large-Scale Group Decision Making
Notice bibliographique
Résumé
Considering the conditions that: 1) same linguistic term means different things for different people; 2) flexible semantics cannot be represented by original linguistic term; and 3) some semantics given by decision makers are possible to be changed during the consistency improving process, we bring some flexibility and personality into hesitant fuzzy linguistic preference matrix structures by allowing the linguistic preference matrices to be granular rather than numeric, providing a new characterization of linguistic preference matrices. Inspired by the thought of granular computing, this article proposes a new hesitant fuzzy linguistic method to deal with issues when a lot of decision makers provide hesitant and uncertain preference information in the decision-making process. First, we design a multiplicative consistency index and calculate its thresholds corresponding to different dimensions of preference matrix by the Monte Carlo experiment. Then, we construct a hesitant fuzzy linguistic model with granularity level, so as to recharacterize original assessment information and improve the consistency of preference matrices as far as possible. Considering the features of some large-scale group decision-making situation, where the decision makers have little opportunity to take part in multiple consensus reaching processes, hesitant fuzzy linguistic fuzzy <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">$C$ </tex-math></inline-formula> -means clustering algorithm is developed to integrate the assessment information given by decision makers. Finally, the final decision-making results are derived. An illustrative example of assessing psychological situation of some COVID-19 infected persons clarifies the reasonability of the proposed method. Finally, we complete some comparative studies and simulation experiments to demonstrate the method’s validity and advantages.
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 | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,000 |
| 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 ».