Expertise-Structure and Risk-Appetite-Integrated Two-Tiered Collective Opinion Generation Framework for Large-Scale Group Decision Making
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».