Applications of Multi-Criteria Decision Making in Information Systems for Strategic and Operational Decisions
Notice bibliographique
Résumé
Business problems today are complicated and involve considering numerous dimensions to be weighed against each other, leading to opposing goals that must be compromised on to discover the best solution. Multi-Criteria Decision Making or MCDM plays an essential role in this situation here. MCDM techniques and procedures analyze, score, and select between options that have various conflicting criteria. This systematic review investigates applications of MCDM methods within Management Information Systems (MIS) based on evidence from 40 peer-reviewed articles selected from the Scopus database. Key methods discussed are Analytic Hierarchy Process (AHP), TOPSIS, fuzzy logic-based methods, and Analytic Network Process (ANP). These methods were applied across MIS strategic planning, re-source assignment, risk assessment, and technology selection. The review contributes further by categorizing MCDM application into thematic decision domains, evaluating methodological directions, and mapping the strengths of each method against specific MIS problems. Theoretical guidelines are suggested to align the type of decision with an appropriate MCDM strategy. The study demonstrates how the addition of MCDM enhances MIS capability with data-driven, transparent decision-making power. Implications and directions for future research are presented to guide scholars and practitioners.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,043 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,014 | 0,016 |
| Études des sciences et des technologies | 0,003 | 0,007 |
| Communication savante | 0,010 | 0,007 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».