Expertise-Structure and Risk-Appetite-Integrated Two-Tiered Collective Opinion Generation Framework for Large-Scale Group Decision Making
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 generation of collective preference assessments occupies a critical position in deriving accurate and reliable alternative rankings in the context of large-scale group decision making (LSGDM). In general, the collective opinion generation framework entails the following three phases, which are clustering analysis, weighting clusters, and preference aggregation. However, the clustering of experts has been frequently based on preference similarities among them without taking into account individual opinions in which knowledge elicitation plays a crucial role. The traditional collective opinion generation framework suffering from this drawback may result in unreliable decision outcomes. To this end, we propose an expertise-structure and risk-appetite-integrated two-tiered collective opinion generation framework to address this concern. The first tier of the two-tiered collective opinion generation framework divides the entire expert group into several subgroups based on individual expertise structures, which are extracted from hesitant fuzzy linguistic term set (HFLTS)-based preference assessments, and it then weighs the resulting clusters in accordance with the overall expertise levels. The second-tier clusters the first-tier subgroups conditioned on the indicator of individual assessment similarities and gathers the generated subgroup preference constructs in the use of the risk appetite-oriented power average operator. In addition, the notion of proportional HFLTSs was introduced to manifest collective evaluations in second-tier subgroups to eliminate information loss and distortion. The effectiveness and flexibility of the proposed collective opinion generation algorithm are eventually illustrated by a case study and a comparison analysis.
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 | 0,001 |
| 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 | 0,003 | 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