Decision‐first modeling should guide decision making for emerging risks
Notice bibliographique
Résumé
An emerging risk is characterized by scant published data, rapidly changing information, and an absence of existing models that can be directly used for prediction. Analysis may be further complicated by quickly evolving decision-maker priorities and the potential need to make decisions quickly as new information comes available. To provide a forum to discuss these challenges, a virtual conference, "Decision Making for Emerging Risks," was held on June 22-23, 2021, sponsored jointly by the Decision Analysis Society of the Institute for Operations Research and the Management Sciences and the Decision Analysis and Risk specialty group in the Society for Risk Analysis. Speakers reflected on the work to support decision-makers related to the COVID-19 pandemic as well as experiences in emerging risks across domains from cybersecurity, infrastructure, transportation, energy, food safety, national security, and climate change. Here, we distill the key findings to propose a set of best practice principles for a "decision-first" approach for emerging risks. These discussions underscore the importance of scoping the decision context and the shared responsibility for the development and implementation of the analysis between the analyst and the decision-maker when the context can evolve rapidly. Emerging risks may also favor simpler analytical approaches that increase transparency, ease of explanation, and ability to conduct new analyses quickly. Continued dialogue by the decision and risk analysis communities on the use and development of models for emerging risks will enhance the credibility and usefulness of these approaches.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 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) | 0,001 | 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 ».