Evaluating Multi-Criteria Decision-Making Methods for Sustainable Management of Forest Ecosystems: A Systematic Review
Notice bibliographique
Résumé
Multi-criteria decision-making (MCDM) methods provide a framework for addressing sustainable forest management challenges, especially under climate change. This study offers a systematic review of MCDM applications in forest management from January 2010 to March 2024. Descriptive statistics were employed to analyze trends in MCDM use and geographic distribution. Thematic content analysis investigated the appearance of MCDM indicators supplemented by Natural Language Processing (NLP). Factorial Correspondence Analysis (FCA) explored correlations between models and publication outlets. We systematically searched Web of Science (WoS), Scopus, Google Scholar, Semantic Scholar, CrossRef, and OpenAlex using terms such as ‘MCDM’, ‘forest management’, and ‘decision support’. We found that the Analytical Hierarchy Process (AHP) and the Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS) were the most commonly used methods, followed by the Preference Ranking Organization Method for Enrichment Evaluation (PROMETHEE), the Analytic Network Process (ANP), GIS, and Goal Programming (GP). Adoption varied across regions, with advanced models such as AHP and GIS less frequently used in developing countries due to technological constraints. These findings highlight emerging trends and gaps in MCDM application, particularly for argan forests, emphasizing the need for context-specific frameworks to support sustainable management in the face of climate change.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 | 0,001 |
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 ».