Hesitant Fuzzy Ordered Linguistic Term Sets for Group Decision-Making
Notice bibliographique
Résumé
Characterizing uncertainty remains a critical challenge in group decision-making, which has prompted the development of diverse linguistic expressions with flexibility and applicability. However, they predominantly use adaptive linguistic terms coupled with numerical importance degrees, which inherently embed subjective cognitive biases. To address this gap, this study originally introduces hesitant fuzzy ordered linguistic term sets (HFOLTSs), which systematically address dual uncertainties: cognitive ambiguity quantified through multiple linguistic term sets, and importance indeterminacy mitigated by ordered relations. To enhance interpretability and visualization, this study proposes a graphical formalization of HFOLTSs, where hierarchical levels are embedded to reflect the structured nature of ordered relations. In addition, the fundamental operations associated with HFOLTSs, complement, expectation-based comparison, and distance measurement, are established to handle complex linguistic uncertainty. Two aggregation operators, namely, hesitant fuzzy ordered linguistic weighted averaging (HFOLWA) and hesitant fuzzy ordered linguistic ordered weighted averaging (HFOLOWA), are introduced to support group decision-making. To facilitate group consensus, we further devise a mechanism that harmoniously balances consensus efficiency with the willingness of experts. Finally, the proposed method is applied to a contractor selection problem in community renewal, which demonstrates its practicality and effectiveness in managing complex group decision scenarios.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,006 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».