Experience-based evaluations (XBEs) zijn beoordelingen die gebaseerd zijn op wat iemand door ervaring over een onderwerp verstaat of heeft geleerd. Hoewel XBEs sterk subjectief, onnauwkeurig en divers kunnen zijn, kan de informatie die eruit geëxtraheerd wordt bedrijven en organisaties tastbare voordelen opleveren. Niettemin is het behandelen van XBEs uitdagend. Dit is in het bijzonder het geval wanneer datakwaliteitsproblemen, zoals een gebrek aan betrouwbaarheid bij XBEs die afkomstig zijn van een grote en heterogene groep van (anonieme) bronnen, moeten worden behandeld. In dit proefschrift worden uitdagingen die verband houden met de karakterisering, verwerking en kwaliteit van XBEs behandeld. Daarbij is bestudeerd of en hoe bestaande en nieuwe concepten en methoden uit het gebied van de computational intelligence kunnen worden gebruikt om XBEs te karakteriseren en te verwerken zodat men adequaat datakwaliteitsaspecten kan behandelen van subjectieve data die aangeleverd zijn door een grote, heterogene groep van respondenten. Er wordt aangetoond dat bestaande en nieuwe concepten en methodes uit de vaagverzamelingenleer, die erop gericht is om benaderende, haalbare en robuuste oplossingen te vinden, kunnen worden gebruikt om deze uitdagingen aan te pakken. Van de nieuw voorgestelde concepten, worden augmented appraisal degrees en augmented (Atanassov) intuitionistische fuzzy sets als de belangrijkste bijdragen van het proefschrift beschouwd. | |