A hybrid machine learning-enhanced MCDM model for transport safety engineering
Notice bibliographique
Résumé
Delivering reliable decision recommendations and policy inferences is essential for multi-criteria decision-making (MCDM) processes, particularly for transport safety engineering. This study proposes a hybrid machine learning-enhanced MCDM model that integrates distance correlation-based criteria importance through intercriteria correlation (DCRITIC), weighted aggregated sum product assessment (WASPAS), and K-means clustering, referred to as the DCRITIC-WASPAS-K-means model. In particular, we incorporated a machine learning tool (i.e., a graph-based technique) into the model to effectively and robustly select initial centroids. This integration addresses the uncertainty in traditional k-means clustering, which arises from varying initial centroids and its sensitivity to outliers, especially in datasets with noisy or skewed data points, and, more importantly, reduces the number of iterations and runtime cost. This approach improves the robustness and reliability of decision outcomes, thereby supporting more credible and actionable policy interventions. A case study involving transport safety engineering in the Organization of American States (OAS) region validates the model's practical utility. Comparative analyses demonstrate its superior performance in ensuring consistent decision outputs and communicating policy implications effectively. The proposed framework provides public administrators, policymakers, and government agencies with a reliable, scalable, and data-driven tool for strategic planning and resource allocation in uncertain environments.
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 | 0,012 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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 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 ».