MétaCan
Menu
Retour à la cohorte
Enregistrement W4386304139 · doi:10.32920/24058713.v1

Multi-Criteria Decision-Making Approach with Interval-Valued Intuitionistic Fuzzy Assessment for Green Supplier Evaluation and Selection

2023· preprint· en· W4386304139 sur OpenAlexaff
Bushra Ahsan Hashsmi

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineDecision Sciences
ThématiqueMulti-Criteria Decision Making
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésTOPSISIdeal solutionSupply chainSelection (genetic algorithm)Multiple-criteria decision analysisFuzzy logicComputer scienceFuzzy setPreferenceSet (abstract data type)Similarity (geometry)Cosine similarityInterval (graph theory)Operations researchManagement scienceMathematicsArtificial intelligenceEconomicsBusinessMarketingStatistics

Résumé

récupéré en direct d'OpenAlex

Becoming climate positive is the objective businesses, which have recently started to focus on and research about to curb the ever-increasing climate challenges while being profitable efficiently. In the pursuit of integrating environmental aspects into conventional supply chains, the concepts of green supply chain and supplier selection have emerged that become increasingly complex due to current economic globalization. In this research, we have proposed a green supplier selection methodology based on a comprehensive set of criteria and interval-valued intuitionistic fuzzy assessment of alternatives for realistic decisions. The three phases of the methodology constitute pertinent criteria selection incorporating environmental and social aspect, the assessment of alternatives in an interval-valued intuitionistic fuzzy environment through an integrated multi- criteria decision-making approach comprising best-worst method (BWM) and technique for order preference by similarity to ideal solution (TOPSIS) with cosine similarity measure and finally the sensitivity analysis. We have supported the proposed methodology by illustrative example considering a real-world scenario.

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)0,007
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,034

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,007
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0030,003
Études des sciences et des technologies0,0010,001
Communication savante0,0030,002
Science ouverte0,0020,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,262
Tête enseignante GPT0,502
Écart entre enseignants0,240 · 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'étudeThéorique ou conceptuel
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

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetMulti-Criteria Decision MakingTravaux en français237 207