Using SMART Method for Multi-criteria Decision Making: Applications, Advantages, and Limitations
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
The applications of multi-criteria decision-making (MCDM) techniques are numerous. Simple Multi-Attribute Rating Technique (SMART) is a popular method for addressing MCDM problems with several criteria. The research investigates the SMART approach discussing how it is used, and its benefits and drawbacks, in decision-making situations. It looks at how it can be applied in choosing technology, improving healthcare systems, and managing the environment. SMART simplifies decision-making by comparing options based on factors. Yet it also has drawbacks such as biases in assigning weights and may not fully address the intricacies of certain decisions. The goal of the study is to enhance comprehension of SMART advocate for its use and propose combining it with intricate decision frameworks. Even though the SMART method is now widely used there is a lack of a thorough understanding of the method to identify its various applications. This paper aims to provide a comprehensive guide and a thorough overview of the SMART method to aid in decision-making and ranking in multi-attribute scenarios. Received: 6 March 2024 | Revised: 10 April 2024 | Accepted: 16 April 2024 Conflicts of Interest The authors declare that they have no conflicts of interest to this work. Data Availability Statement Data sharing is not applicable to this article as no new data were created or analyzed in this study. Author Contribution Statement Hamed Taherdoost: Conceptualization, Methodology, Writing - review & editing, Supervision, Project administration; Atefeh Mohebi: Formal analysis, Investigation, Writing - original draft, Visualization.
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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