Notice bibliographique
Résumé
Intuition, expressed as verbal arguments or axiom formulations, has often been used as a guiding principle for fuzzy number ranking (FNR). This chapter adopts the multi-attribute decision making (MADM) framework to analyze such intuition with three results. First, intuition in FNR should have involved multiple attributes, which are often implicated in the existing ranking methods. Then, we suggest three attributes (i.e., representative x-value, x-value range, overall membership ratio), which can be used to characterize the FNR intuition. Second, we decouple two issues in FNR: selection of attributes and aggregation of values, where aggregation is concerned with the trade-off among attributes to determine a single index for FNR. Then, the discount factors are proposed for the attributes of range and membership ratio to model the trade-off and formulate a ranking index. Third, the decoupling of attributes and aggregation reveals a fundamental tension between information content and the satisfaction of the FNR axioms. That is, if we can consider more information (in terms of attributes) as relevant to FNR, the ranking method will likely violate some FNR axioms. However, if we consider less information, the ranking method will be less sensitive to distinguish some fuzzy numbers for ranking. In the end, the proposed multi-attribute approach can provide a practical aspect to analyze and address the FNR problems.
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».