Neutrosophic Analysis of the Experimental Data using Neutrosophic Latin Square Design
Notice bibliographique
Résumé
While dealing with the observed or measured data in surveys or experiments, it is not uncommon to deal with vague, incomplete, and imprecise information for whatever reasons. In this regard, researchers have proposed various emerging approaches such as fuzzy, intuitionistic fuzzy and neutrosophic logic and analysis, which provide better understanding, analysis and interpretations of the data. Neutrosophic logic is an extension of fuzzy logic where a variable x is described by triplet values, i.e., x ti f = , , ( ) , where t is the degree of “truth”, f is the degree of “false” and i is the level of “indeterminacy” AlAita, Abdulrahmanand Aslam, Muhammad (2023). A neutrosophic data x can be expressed as x = d + i, where d is the determinate (sure) part of x, and i is the indeterminate (unsure) part of x. Experimental design and analysis is a systematic, rigorous approach to problem solving that applies principles and techniques at the data collection stage so as to ensure the generation of valid, defensible, and supportable conclusions. Latin square designs (LSDs) are used to compare treatment factor levels represented by the Latin letters and using two blocking factors in rows and columns to simultaneously control two sources of nuisance variability. In this paper, we will define a neutrosophic Latin square design (NLSD), neutrosophic LSD model and consider the neutrosophic analysis of the NLSD experimental data for testing the abrasion resistance of rubber-coated fabric in a Martindale wear tester.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,028 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».