MétaCan
Menu
Retour à la cohorte
Enregistrement W4379259660 · doi:10.5267/j.dsl.2023.4.009

A novel multi-criteria group decision-making approach using aggregation operators and weight determination method for supplier selection problem in hesitant Pythagorean fuzzy environment

2023· article· en· W4379259660 sur OpenAlexvenueno aff
Garima Bisht

Notice bibliographique

RevueDecision Science Letters · 2023
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueMulti-Criteria Decision Making
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPythagorean theoremOperator (biology)MathematicsGroup decision-makingFlexibility (engineering)Mathematical optimizationFuzzy logicSelection (genetic algorithm)Ranking (information retrieval)ScoreFunction (biology)TrigonometryPreferenceComputational intelligenceMultiple-criteria decision analysisComputer scienceArtificial intelligenceStatistics

Résumé

récupéré en direct d'OpenAlex

Uncertainty is an important factor in the decision-making process. Hesitant Pythagorean fuzzy sets (HPFS), a combination of Pythagorean and hesitant fuzzy sets, proved as a significant tool to handle uncertainty. Well-defined operational laws and attribute weights play an important role in decision-making. Thus, the paper aims to develop new Trigonometric Operational Laws, a weight determination method, and a novel score function for group decision-making (GDM) problems in the HPF environment. The approach is presented in three phases. The first phase defines new operational laws with sine trigonometric function incorporating its special properties like periodicity, symmetricity, and restricted range hence compared with previously defined aggregation operators they are more likely to satisfy the decision maker preferences. Properties of trigonometric operational laws (TOL) are studied and various aggregation operators are defined. To measure the relationship between arguments, the operators are combined with the Generalized Heronian Mean operator. The flexibility of operators is increased by the use of a real parameter λ to express the risk preference of experts. The second phase defines a novel weight determination method, which separately considers the membership and non-membership degrees hence reducing the information loss and the third phase conquers the shortcomings of previously defined score functions by defining a novel score function in HPFS. To further increase the flexibility of defined operators they are extended in the environment with unknown or incomplete attribute weights. The effectiveness of the GDM model is verified with the help of a supplier selection problem. A detailed comparative analysis demonstrates the superiority, and sensitivity analysis verifies the stability of the proposed approach.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,021

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,004
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0020,002
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,100
Tête enseignante GPT0,414
Écart entre enseignants0,314 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDecision Science LettersMême sujetMulti-Criteria Decision MakingTravaux en français237 207