Site selection of medical waste disposal plants: A social network group decision-making framework with incomplete Pythagorean fuzzy preference relations
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 rapid growth of the healthcare industry has led to an increase in medical waste, which poses significant public health and environmental challenges worldwide. Therefore, selecting the right location for medical waste disposal plants is crucial. To address this issue, especially when multiple decision-makers are involved, our research developed a social-network group decision-making (SNGDM) framework using incomplete Pythagorean fuzzy preference relations (ICPFPRs). First, targeting the missing information in ICPFPRs, we designed an estimation algorithm to derive complete Pythagorean fuzzy preference relations (CPFPRs). An information uniformity index (IUI) was defined based on the trust scores of experts and the degree of similarity among them within the Pythagorean fuzzy social network. Then, in the consensus-reaching stage, an minimum cost consensus(MCC) model was built to compute CPFPRs with acceptable consistency and group consensus levels. In detail, we introduced a determination method for unit adjustment costs by considering both the confidence level and social influence of experts. Next, the information aggregation and selection were conducted in light of the weights of experts, which were generated by integrating the consistency index, approximation degree, and trust scores. Finally, a numerical example of the site selection of a medical waste disposal plant was presented to validate the presented SNGDM framework. A series of comparison analyses were further carried out to demonstrate the advantages of our proposed method.
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 | 0,004 | 0,002 |
| 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 | 0,001 |
| 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