Examining the Importance of AI-Based Criteria in the Development of the Digital Economy: A Multi-Criteria Decision-Making Approach
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
As one of the main pillars of global transformation in the contemporary world, the digital economy helps create new economic and business opportunities through new technologies. In addition to improving efficiency and reducing costs, this transformation plays a vital role in the economic growth and development of various countries. Artificial intelligence, as one of the key technologies in the development of the digital economy, has a profound impact on optimizing processes, increasing productivity, and enhancing customer experience. By processing big data and providing advanced analytics, this technology makes economic decisions faster and more accurately and affects various sectors of the digital economy. In this regard, 20 key AI-based criteria in the development of the digital economy were extracted from a review of previous studies and were placed in four general categories. The four general categories include structural, organizational, technological and economic. Hesitant Fuzzy Best Worst Method (HF-BWM) was used to rank the AI-based criteria in the development of the digital economy. “Investing in innovation (C16)”, “Potent processing capabilities (C1)”, “Process automation and intelligence (C11)”, “Identifying growth opportunities (C6)” and “Adapting business models to changes (C7)” ranked one to five, respectively. Managers in the digital economy should pay attention to investing in innovation and strengthening processing infrastructure to exploit new technologies and make more accurate decisions. Process intelligence, identifying new areas of growth and adapting the business model to market changes also help improve efficiency, reduce costs, exploit new opportunities and make organizations stable in the face of rapid changes and increasing competition.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,000 |
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