A fuzzy rough copula Bayesian network model for solving complex hospital service quality assessment
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
Healthcare tends to be one of the most complicated sectors, and hospitals exist at the core of healthcare activities. One of the most significant elements in hospitals is service quality level. Moreover, the dependency between factors, dynamic features, as well as objective and subjective uncertainties involved endure challenges to modern decision-making problems. Thus, in this paper, a decision-making approach is developed for hospital service quality assessment, using a Bayesian copula network based on a fuzzy rough set within neighborhood operators as a basis of that to deal with dynamic features as well as objective uncertainties. In the copula Bayesian network model, the Bayesian Network is utilized to illustrate the interrelationships between different factors graphically, while Copula is engaged in obtaining the joint probability distribution. Fuzzy rough set theory within neighborhood operators is employed for the subjective treatment of evidence from decision makers. The efficiency and practicality of the designed method are validated by an analysis of real hospital service quality in Iran. A novel framework for ranking a group of alternatives with consideration of different criteria is proposed by the combination of the Copula Bayesian Network and the extended fuzzy rough set technique. The subjective uncertainty of decision makers' opinions is dealt with in a novel extension of fuzzy Rough set theory. The results highlighted that the proposed method has merits in reducing uncertainty and assessing the dependency between factors of complicated decision-making 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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| 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 découle