Uzantı kartı · Tereddütlü
Tereddütlü dilsel MABAC (Sun, Hu, Zhou ve Chen, 2018)
Tereddütlü dilsel MABAC, bir kriter tek bir sözel terimle değil "en az yüksek" ya da "orta ile yüksek arası" gibi karşılaştırmalı bir sözel ifadeyle puanlandığında kullanılan MABAC biçimidir. Bu ifadeyi bir dilsel terim kümesine çevirip sınır bölgesine olan işaretli uzaklığını hesaplar.
Temel yöntem
MABAC →
Felsefe, işleyiş, güçlü ve zayıf yanlar temel yöntem kartında; bu kart yalnız farkı anlatır.
Veri türü (aile)
Tereddütlü (Hesitant) →
Bu veri türü nedir, ne zaman kullanılır, hücreye nasıl yazılır: ailenin ayrıntılı anlatımı burada.
Temel Yöntemden Ne Değişir?
Dört şey değişir; sınır bölgesine göre karşılaştırma mantığı değişmez.
Hücreler. Kesin MABAC'ta her hücre tek sayıdır. Burada her hücre bir karşılaştırmalı sözel ifadedir: "s_2" gibi tek bir terim, "en az s_1", "s_{-1} ile s_1 arası" gibi bir aralık ya da "s_2'den büyük" gibi açık uçlu bir ifade olabilir. Ölçek, ortası sıfır ("orta") olacak biçimde simetrik indislenir; örneğin yedi terimli bir ölçekte s_{-3} "hiç", s_0 "orta", s_3 "aşırı" anlamına gelir. Her ifade önce bu indislerden kurulu bir kümeye çevrilir.
Ölçek eşitleme. Kesin MABAC her sütunu min-maks ile 0-1 aralığına yerleştirir. Burada böyle bir bölme yoktur; fayda kriterinde küme olduğu gibi kalır, maliyet kriterinde kümedeki her indisin işareti çevrilir (ölçeğin simetrik yapısı sayesinde bu, dilsel tümlemeye karşılık gelir). Ardından her küme, kriterin ağırlığıyla ölçeklenmiş bir dilsel terim kümesine (ağırlıklı HFLE) dönüştürülür.
Sınır yaklaşım alanı ve uzaklık. Kesin MABAC'ta sınır, geometrik ortalamayla kurulur ve uzaklık işaretli bir farktır. Burada sınır, o kriterdeki bütün seçeneklerin ağırlıklı kümelerinin indislerinin aritmetik ortalamasıdır (klasik MABAC'ın geometrik ortalamasından farklı bir tasarım tercihidir). Uzaklık ise bir çıkarma değil, izdüşüm temelli işaretli bir farktır: her hücre ve sınır, ölçeğin en uç teriminden ("s_g") geçen bir eksene izdüşürülür, bu izdüşümlerin farkı seçeneğin sınırın üzerinde mi (pozitif), üzerinde mi, altında mı (negatif) olduğunu gösterir.
Sonuç ve durulaştırma. Kesin MABAC'ta her seçeneğin sınıra uzaklığı toplanır. Burada kriter başına işaretli izdüşüm farkları önce negatif olmayan bir düzeye kaydırılır, sonra Bonferroni ortalamasıyla birleştirilir. Bonferroni'nin p=1, q=0 özel durumu, kriterler boyunca basit bir ortalamaya indirgenir ve kesin MABAC'ın toplama mantığına en çok yaklaşan biçimdir; DecisionMind bu kartta p=1, q=1 kullanır ve bu, kriterler arası etkileşimi de hesaba katan daha zengin bir birleştirmedir.
DecisionMind klasik Tereddütlü dilsel MABAC'ta izdüşüm eksenini (ölçeğin en uç terimi) ve Bonferroni parametrelerini (p=1, q=1) sabit tutar.
Çıktı Nasıl Yorumlanır?
Toplam puan (CC), kesin MABAC'ın puanına benzer biçimde okunur: daha büyük CC, sınıra göre daha güçlü bir konumu gösterir. Ama puan artık geometrik ortalamalı bir sınıra işaretli uzaklık değil, izdüşüm farklarının Bonferroni ortalamasıdır ve bir kaydırma sabiti içerir; bu yüzden mutlak büyüklüğü değil, seçenekler arasındaki sırası ve göreli farkı anlamlıdır.
Bu nedenle:
"Tereddütlü dilsel MABAC puanı, uzmanın sözel ifadesini birebir yansıtan kesin bir ölçüdür"
yerine:
"Puan, karşılaştırmalı sözel ifadelerin indislenmiş kümelere çevrilmesinin, sınıra izdüşüm farkının ve Bonferroni ortalamasının sonucudur; ifadenin daralması ya da genişlemesi puanı değiştirebilir"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Uzman bir kriteri tek bir sözel terimle değil "en az", "en çok", "arasında" gibi karşılaştırmalı bir ifadeyle veriyorsa bu uzantı kullanılır. Tek bir sözel terim yeterliyse daha basit dilsel uzantılar da yeterli olabilir. Ölçülmüş kriterler bu uzantıya taşınmamalıdır. Matris tek türde olmak zorundaysa ölçülmüş bir değer, ölçekte en yakın tek terimle yazılır. Temel MABAC'ın çıkış koşulu burada da aynen geçerlidir.
Bu Uzantıya Özgü Hatalar
Karşılaştırmalı ifadeyi tek bir orta noktaya indirmek. "En az yüksek" ifadesinin yalnız alt sınırını (s_1) ya da yalnız ortasını almak, ifadenin taşıdığı açık uçlu belirsizliği erken bir adımda siler.
Maliyet kriterini fark etmemek. Bir maliyet kriterinde işaret çevirmeyi atlamak, o kriterdeki bütün seçeneklerin sınıra göre konumunu (üstünde mi altında mı) tersine çevirir.
Bonferroni parametrelerini (p, q) belirtmeden değiştirmek. p=1, q=0 seçimi klasik MABAC'ın basit toplamına yaklaşırken, p=1, q=1 kriterler arası etkileşimi de katar; bu seçim aynı veriden farklı bir CC puanı üretebilir ve raporda belirtilmelidir.
Kaynak makalenin bastığı ara tablo değerlerini sorgusuzca girdi olarak kullanmak. Sun ve arkadaşlarının (2018) makalesindeki bazı ara sonuçlar, motorun kendi formülüyle koşulduğunda birebir tekrarlanmayabilir; motor formüle sadık kalır, farkın kaynağı raporda belirtilmelidir.
Temel ilke şudur:
Tereddütlü dilsel MABAC, karşılaştırmalı sözel ifadeyi indislenmiş bir kümeye çevirip sınıra izdüşüm farkıyla karşılaştırır. İfade erken bir noktaya indirilirse ya da işaret/parametre seçimleri raporlanmazsa, hesabın kendisi değil yalnız görünürdeki kesinlik bozulur.
Vakalar
Birinci vaka gerçek bir literatür vakasıdır: Sun, Hu, Zhou ve Chen'in (2018) Üçüncü Xiangya Hastanesi'nde sekiz hastanın önceliklendirilmesi örneğidir; girdiler makalenin kendi Tablo 1'inden alınmıştır. İkinci vaka öğretici bir kurgudur.
1. Sağlık: Sekiz hastanın önceliklendirilmesi (Sun, Hu, Zhou ve Chen, 2018)
Bir hastane acil servisi, sekiz hastayı (a1-a8) altı kritere göre önceliklendirecektir: hastalık şiddeti, aciliyet, patoloji bulgusu, kötüleşme riski, komorbidite riski ve enfeksiyon riski. Tüm kriterler "çoğu iyi" (yüksek risk/şiddet = yüksek öncelik) türündendir. Yedi terimli bir ölçek kullanılır: s_{-3} "hiç" ile s_3 "aşırı" arasında. Hastalar her kriterde tek bir terim yerine karşılaştırmalı bir sözel ifadeyle değerlendirilmiştir; örneğin a1 hastalık şiddetinde "s_{-1} ile s_1 arası" değerlendirilmiştir. Ağırlıklar (0,25; 0,20; 0,10; 0,17; 0,16; 0,12) klinik ekipten gelir.
Yöntem her ifadeyi indislenmiş kümeye çevirir, ağırlıklarla ölçekler, her kriter için sınırı (indislerin ortalaması) kurar, izdüşüm temelli işaretli farkları hesaplar ve Bonferroni ortalamasıyla (p=1, q=1) birleştirir.
| Hasta | a8 | a2 | a1 | a3 | a7 | a4 | a6 | a5 |
|---|---|---|---|---|---|---|---|---|
| Toplam puan (CC) | 0,2324 | 0,2289 | 0,2099 | 0,2087 | 0,1870 | 0,1844 | 0,1823 | 0,1518 |
Sonuç şöyle okunur. a8, birçok kriterde "s_2 ile s_3 arası" ya da "en az s_2" gibi geniş ve yüksek uçlu ifadelerle değerlendirilmiştir; bu, sınırın üzerinde güçlü ve tutarlı bir konum verir. a5, tersine, çoğu kriterde düşük uçlu ifadelerle ("en fazla s_{-1}", "s_{-1}'den küçük") değerlendirilmiştir ve son sıradadır. Motorun ürettiği bu sıralama, kaynak makalenin kendi Tablo 5'indeki sıralamadan (a8≻a2≻a3≻a1≻a6≻a7≻a4≻a5) orta sıralarda küçük farklarla ayrılır: motor a1'i a3'ün önüne, a7'yi a6'nın önüne alır. En iyi (a8) ve en kötü (a5) uçlar korunur.
Kararın ne kadar sağlam olduğunu görmek amacıyla, birbirine en yakın iki puana (a1: 0,2099, a3: 0,2087) sahip hastaların sırası ayrıca sınanmıştır. Aradaki fark yalnızca 0,0012'dir; bu, iki hastanın klinik değerlendirmede pratik olarak eşdeğer sayılması gerektiği, sıralamanın tek başına kesin bir öncelik farkı iddia etmemesi gerektiği anlamına gelir.
Raporda: "Verilen ağırlıklarla a8 en yüksek toplam puana (0,2324) sahiptir ve a5 en düşük puandadır (0,1518); bu iki uç, kaynak makalenin sıralamasıyla örtüşmektedir. a1 ile a3 arasındaki fark (0,2099'a 0,2087) çok küçüktür ve bu iki hasta arasındaki sıra klinik olarak kesin bir öncelik farkı göstermez."
Kaynak: Sun, Hu, Zhou ve Chen (2018), Tablo 1 (sözel ifade matrisi ve ağırlıklar). Toplam puanlar ve sıralama, DecisionMind'ın tereddütlü dilsel MABAC motorunun bu ifadeler üzerinden bağımsız olarak çalıştırılmasıyla elde edilmiştir. Motorun ürettiği sıralama, kaynak makalenin kendi bastığı Tablo 5 sıralamasından orta sıralarda (üçüncü-dördüncü ve beşinci-altıncı sıralar) ayrılır; en iyi ve en kötü uç değişmez. Bu fark, ayrıntısı onay notlarında belirtildiği üzere, motorun kendi formülüyle (Bonferroni p=1, q=1) tutarlı biçimde çalışmasından kaynaklanır.
2. Sosyal hizmet: Bir belediyenin sosyal yardım başvurularını önceliklendirmesi
Bir belediyenin sosyal hizmetler birimi, sınırlı bütçeli bir yardım programında üç başvuruyu önceliklendirecektir. Kriterler şunlardır: hane gelir yetersizliği, bakmakla yükümlü kişi sayısı ve barınma koşulunun aciliyeti. Sosyal hizmet uzmanları, saha ziyaretlerinden sonra her başvuruyu tek bir puanla değil "en az yüksek", "orta ile yüksek arası" gibi karşılaştırmalı sözel ifadelerle değerlendirmiştir.
Yöntem üç başvurunun ifadelerini indislenmiş kümelere çevirir, ağırlıklarla ölçekler, sınırı kurar ve izdüşüm farklarını Bonferroni ortalamasıyla birleştirir. Diyelim ki bakmakla yükümlü kişi sayısı en yüksek olan başvuru aynı zamanda barınma aciliyetinde orta düzeydedir; buna rağmen birinci çıkar, çünkü bakmakla yükümlü kişi sayısı kriterinin ağırlığı yüksektir.
Birimin tereddüdü şudur. "En az yüksek" gibi geniş bir ifadenin, "yüksek ile çok yüksek arası" gibi daha dar bir ifadeye daraltılması durumunda sıranın değişip değişmeyeceği ayrıca sınanmalıdır; bu, saha ziyaretinin ne kadar ayrıntılı yapıldığına bağlıdır ve karar gerekçesinde belirtilmelidir.
Raporda: "Bakmakla yükümlü kişi sayısına verilen yüksek ağırlıkla ilgili başvuru en yüksek toplam puana ulaşmaktadır; bu sonuç barınma aciliyetindeki orta düzey değerlendirmeye rağmen geçerlidir ve ifadenin daraltılması durumunda yeniden sınanmalıdır."
3. Yapılmaması Gereken
Öğretici tabloda bir kriter yanlışlıkla maliyet sayılsaydı, yani işaret çevirme adımı atlansaydı, o kriterde yüksek ifadeye sahip hastalar sınırın altında sayılır ve sıralama o kriter için tersine döner. İkinci yanlış, "s_{-1} ile s_1 arası" gibi bir ifadeyi yalnızca ortası (s_0) ile temsil etmektir; bu, ifadenin taşıdığı iki uçlu belirsizliği erken bir adımda siler ve Bonferroni ortalamasına farklı bir girdi verir. Üçüncü yanlış, Bonferroni parametrelerini (p, q) belirtmeden "varsayılan kullanıldı" demektir; p=1, q=0 ile p=1, q=1 aynı veriden farklı CC puanları üretebilir.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/hfl-mabac
Sun, R., Hu, J., Zhou, J., & Chen, X. (2018). A Hesitant Fuzzy Linguistic Projection-Based MABAC Method for Patients' Prioritization. International Journal of Fuzzy Systems, 20(7), 2144–2160. DOI: 10.1007/s40815-017-0345-7
Pamučar, D., & Ćirović, G. (2015). The selection of transport and handling resources in logistics centers using multi-attributive border approximation area comparison (MABAC). Expert Systems with Applications, 42(6), 3016–3028. DOI: 10.1016/j.eswa.2014.11.057
Rodríguez, R. M., Martínez, L., & Herrera, F. (2012). Hesitant fuzzy linguistic term sets for decision making. IEEE Transactions on Fuzzy Systems, 20(1), 109–119. DOI: 10.1109/TFUZZ.2011.2170076
Torra, V. (2010). Hesitant fuzzy sets. International Journal of Intelligent Systems, 25(6), 529–539. DOI: 10.1002/int.20418