Machine learning nested MCDM model to enhance decision reliability for transport safety engineering
Notice bibliographique
Résumé
Ensuring robust and defensible decision is a critical attribute of multi-criteria decision-making (MCDM) activities, particularly in public sector decision-making (e.g., transport safety engineering). To this end, this study introduces an advanced machine learning embedded MCDM model that integrates the preference selection index (PSI), an alternative ranking order method accounting for two-step normalization (AROMAN), and a Gaussian mixture model (GMM), i.e., PSI–AROMAN–GMM, aiming to provide a reliable decision support system in transport safety engineering. In particular, the proposed model incorporates a machine learning algorithm (i.e., t-distributed stochastic neighbor embedding (t-SNE)) to reduce the computational load and enable efficient handling of large datasets. Specifically, this approach addresses the challenge faced by conventional GMM in uncertain initialization and identification of distinct natural clusters, and it also resolves the issue of GMM in setting correct number of Gaussian components to avoid the model overfitting or underfitting. Through a case study on transport safety engineering for G20 countries, multilevel empirical comparisons validate the robustness of the proposed model, highlighting its practicality and efficiency in informing reliable decisions and policy insights. Overall, this study provides decision-makers, practitioners, and engineers with a comprehensive framework for handling real-world socio-economic activities, especially in transport safety engineering across varied national contexts, with substantial reliability and applicability.
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 | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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 ».