Une typologie des méthodes multicritères: Proposition d'un cadre méthodologique
Bibliographic record
Abstract
RésuméPlusieurs méthodes d'aide multicritère à la décision ont vu le jour au cours des dernières décennies. L'examen du développement des méthodes multicritères (MMC) montre que la majorité sont ad hoc et résultent de dificultés rencontrées lors de tentatives d'applications des méthodes existantes à des cas réels. Ces dificultés émergent de la complexité de structurer les situations décisionnelles réelles, de traiter des évaluations de diverses natures et de modéliser les préférences du (des) décideur (s). Il y a lieu de se demander si la diversité des méthodes multicritères est un reflet de la créativité et la richesse de l'activité intellectuelle en aide multicritère à la décision, ou au contraire de ses faiblesses. Est-il nécessaire d'avoir autant de méthodes; sont-elles vraiment si différentes? Dans le cadre de cet article, nous proposons un cadre méthodologique afin de distinguer entre les différentes méthodes. Ce cadre méthodologique repose sur une représentation des situations décisionnelles qui permet de les catégoriser en classes de problémes d'aide à la décision. Un travail minutieux d'analyse de quelques procédures d'agrégation multicritère a permis de les caractériser pour traiter certaines classes de problèmes. Un ensemble de propriétés est proposé afin de distinguer entre elles les PAMC d'une même classe. Une illustration de l'application du cadre méthodologique proposé est présentée.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.015 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.001 | 0.003 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".