Analysis on the Hesitation and its Application to Decision Making
Notice bibliographique
Résumé
A novel score function based on the Poincaré metric is proposed and applied to a decision-making problem. Decision-making on Fuzzy Sets (FSs) has been considered due to the flexibility of the data, and it is applied to the decision-making. However, decisions with FSs are sometimes nondecisive even for different membership degrees. Hence, Intuitionistic Fuzzy Sets (IFSs) data is applied to design a score function for the decision-making with the Poincaré metric. This function is supported by the profound information of IFSs; IFSs include hesitation degree together with membership and non-membership degree. Hence, IFS membership and non-membership degree are expressed as two-dimensional vectors satisfying the Poincaré metric for simplification. At the same time, the proposed approach addresses the hesitation information in the IFS data. Next, a score function is proposed, constructed and provided. The proposed score function has a strict monotonic property and addresses the preference without resorting to the accuracy function. The strict monotonic property guarantees the preference of all attributes. Additionally, the existing problem of score function design in IFSs is addressed: they return zero scores even with different meanings for the same membership and non-membership degree. The advantages of the proposed score function over existing ones are demonstrated through illustrative examples. From the calculation results, the proposed decision score function discriminates between all candidates. Hence, the proposed research provides a solid foundation for the hesitation analysis on the decision-making problem.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,006 |
| 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 | 0,000 | 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 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 ».