MétaCan
Menu
Retour à la cohorte
Enregistrement W4411550982 · doi:10.1109/access.2025.3582537

Dealing With Heterogeneous Information in Multi-Criteria Group Decision-Making Problems: A Comprehensive Design Framework

2025· article· en· W4411550982 sur OpenAlexaff
Matheus Pereira Libório, Petr Ekel, Marcos Flávio Silveira Vasconcelos D’Ângelo, Luis Martı́nez, Witold Pedrycz

Notice bibliographique

RevueIEEE Access · 2025
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueImpact of AI and Big Data on Business and Society
Établissements canadiensUniversity of Alberta
Organismes subventionnairesNational Council for Forest Research and DevelopmentFundação de Amparo à Pesquisa do Estado de Minas GeraisConselho Nacional de Desenvolvimento Científico e Tecnológico
Mots-clésComputer scienceGroup decision-makingGroup (periodic table)Management scienceData miningEngineering

Résumé

récupéré en direct d'OpenAlex

This study provides a comprehensive review of the literature on group decision-making with heterogeneous information, aiming to map the main characteristics in this field, pointing out gaps, and suggesting new promising approaches and methods to overcome current limitations. The research reveals the main research front directions, key authors, most common application areas, the most frequently used preference formats, and aggregation schemes in the existing studies are discussed. The research innovation and originality lie in developing five new approaches and methods to overcome the identified gaps and limitations. First, a transparent, comprehensive, and intuitive framework for dealing with heterogeneous information in multi-criteria group decision problems is proposed. Second, a standardization scheme is introduced to define the name of the preference format when it has many names and establish a standard naming structure for all formats. Third, an easy-to-follow framework for categorizing existing and new formats to facilitate understanding the structure of each format is studied. Fourth, the new “relational ordered preference” is introduced, a format that increases agility and accuracy in alternative assessments. Fifth, we introduce a pioneering aggregation scheme (consensus-based ordered weighted averaging operator) to maximize the consensus level between individual and collective assessments. An illustrative and a real-world example are also provided. The example of the governance composite indicator shows that relational ordered preference increases the accuracy of assessments and, consequently, the degree of consensus. In turn, the consensus-based approach achieved higher degrees of consensus than extreme value reductions, indicating that preserving more convergent opinions contributes more to consensus than preserving intermediate opinions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCommunication savante
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,690
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0020,003
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,170
Tête enseignante GPT0,441
Écart entre enseignants0,271 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE AccessMême sujetImpact of AI and Big Data on Business and SocietyTravaux en français237 207