Graph model for multiple composite decision makers with large-scale groups: Probability-hesitant fuzzy preference modeling and application
Notice bibliographique
Résumé
Whenever humans interact with others, conflict inevitably arises. Sometimes, multiple composite decision makers (CDMs) are involved, some of which may be large-scale groups. When making a decision or strategy selection, a CDM needs to consider the interests of the group and the wishes of individual decision makers (IDMs). For example, a CDM may judge a move to be an improvement only if a certain fraction of IDMs consider it so – in other words, only when the IDMs reach a certain degree of consensus. This paper proposes an index of group consensus on more preferred (IGCMP) and an index of group consensus on less preferred (IGCLP), and uses them to determine whether a CDM more or less prefers the current state to another and reflect the heterogeneous characteristics of CDMs, including conservative, aggressive, and eclectic. Accordingly, the conflict for multiple CDMs with large-scale groups is investigated in this paper from the perspective of group consensus within the framework of the Graph Model for Conflict Resolution (GMCR). At first, CDMs’ preferences are represented by probability-hesitant fuzzy preference relations, which can reflect the heterogeneity of IDMs and preference uncertainty of CDMs. Then, the new forms of the unilateral improvement list for CDMs and coalitions are developed based on IGCMP and IGCLP. Subsequently, five extended stability definitions and their relationships are studied. Finally, to demonstrate the effectiveness of the new method, it is applied to model a water pollution conflict in the Yangtze River Delta, China.
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 | 0,024 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 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 ».