2-tuple dilsel CODAS

Dört şey değişir. İki-uzaklıklı karşılaştırma mantığı değişmez.

Hücreler. Kesin CODAS'ta her hücre tek sayıdır. Burada her hücre bir terim ve bir kaymadan oluşur. Uzman puanı dokuz basamaklı bir terim kümesinden seçer: çok düşük, düşük, oldukça düşük, azıcık düşük, orta, azıcık yüksek, oldukça yüksek, yüksek, çok yüksek. Yöntem her terimi kaymasıyla birlikte tek bir sayıya çevirir; bu dönüşüm birebirdir, bilgi atmaz. Kriter ağırlıkları burada kesin sayıdır, terim değildir; yöntem ağırlık üretmez, dışarıdan alır.

Ölçek eşitleme. Kesin CODAS fayda kriterinde değeri sütunun en büyük değerine böler, maliyet kriterinde sütunun en küçük değerinin değere oranını alır. 2-tuple dilsel CODAS bu bölmeyi yapmaz. Terimden sayıya dönüşüm zaten 0 ile 8 arasına oturur ve bu sayılar üzerinde ayrıca bir büyüklüğe bölme uygulanmaz. Negatif-ideal nokta, her kriterin yönüne göre bu sayılardan doğrudan kurulur: fayda kriterinde en küçük sayı, maliyet kriterinde en büyük sayı negatif-ideal olur.

Uzaklık. Öklid ve Taksi uzaklığı, terimden sayıya çevrilmiş bu değerler üzerinden, kesin CODAS'takiyle aynı biçimde hesaplanır: fark alınır, ağırlıkla çarpılır. Kesin CODAS'ta iki sayının farkıydı; burada iki terim-kayma çiftinin sayıya indirgenmiş hâllerinin farkıdır. Belirsizlik burada üç köşeli bir aralık değildir; tek bir terim ve onun etrafındaki ince bir kaymadır.

Değerlendirme puanı. İkili karşılaştırma kuralı (eşik ψ, önce Öklid, farkı aşmıyorsa Taksi) ve puanın kendisi kesin CODAS ile birebir aynı biçimde kurulur. DecisionMind klasik L2T-CODAS'ta terim kümesinin dokuz basamaklı olmasını, terim-sayı dönüşümünü ve bu eşik kuralını sabit tutar. Ağırlıklar dışarıdan ve kesin sayı olarak alınır.

Değerlendirme puanının okunuşu kesin CODAS ile aynıdır: göreli bir konum ölçüsüdür, yüzde değildir, seçenek kümesi değişince negatif-ideal yeniden kurulur. Fark şurada: puanın altındaki belirsizlik geniş bir üçgen değil, tek bir terim ve onun civarındaki ince bir kaymadır. Bu yüzden iki seçeneğin puan farkının sağlamlığı, "kaç basamaklık bir terim değişimine ya da hangi ağırlık dağılımına dayandığı" sorusuyla sınanır.

Bu nedenle:

"2-tuple dilsel CODAS bilgi kaybetmediği için sonuç kesindir"

yerine:

"Uzman puanları terim kümesinden seçilmiş, kayma değeriyle korunmuştur; sıra şu ağırlık dağılımına ya da şu basamaklık bir terim değişimine duyarlıdır"

biçiminde yazmak doğrudur. Kaymayı korumak sonucu kesinleştirmez; yalnız terime yuvarlamanın attığı bilgiyi geri kazandırır.

Uzmanlar kriteri sayıyla değil, önceden ilan edilmiş bir terim kümesinden seçtiği bir kelimeyle değerlendiriyorsa. Ayrıca seçenekler arasında düz çizgi uzaklığıyla ayırt edilemeyecek kadar yakın rakipler bulunma ihtimali varsa bu uzantı kullanılır. İkinci koşul olmadan, yani ayırt edicilik sorun değilse, 2-tuple dilsel TOPSIS yeterli olabilir; CODAS'ın kattığı şey, yakın rakipleri ikinci bir uzaklık ölçüsüyle ayırma imkânıdır.

Aynı ailenin diğer üyesiyle karışmamalıdır. Uzman tek bir terim değil, birkaç terimi olasılıkla veriyorsa olasılıksal dilsel CODAS kullanılır; burada tek bir terim ve onun kayması vardır. Temel yöntemde kalınması gereken durum aynıdır: kriter ölçülmüşse ölçülmüş kalır, kelimeye çevrilmez. Tablo karışıksa DecisionMind tek veri türü ister. Çıkış noktası kesin CODAS ile aynıdır: bir kriterde taviz kabul edilmiyorsa bu uzantı da telafi edicidir ve eşik altını elemez.

Kaymayı atıp en yakın terime yuvarlamak. Terim-sayı dönüşümünü kaymasız yapmak yöntemin tek katkısını, bilgi kaybını önlemesini, geçersiz kılar. Aşağıdaki öğretici örnekte bu yol sırayı değiştirmez ama farkın ne kadar sağlam olduğu bilgisini gizler.

Kesin CODAS'ın normalizasyonunu uygulamak. Terimden sayıya çevrilmiş değerleri ayrıca sütun en büyüğüne bölmek, negatif-ideal noktayı gereksiz yere kaydırır ve terim-sayı dönüşümünün doğrudanlığını bozar.

Eşik değerini (ψ) sorgulamadan bırakmak. Kesin CODAS'taki aynı hata burada da geçerlidir: iki yakın seçenek arasındaki sıranın eşiğe duyarlı olup olmadığı sınanmadan rapor yazılmamalıdır.

Terim kümesini analiz sırasında değiştirmek. Basamak sayısı ve terimlerin sırası bütün uzmanlar ve seçenekler için aynı kalmalıdır.

Temel ilke şudur:

2-tuple dilsel CODAS, terimler arası kaymayı bilgi kaybetmeden negatif-ideale kadar taşımak içindir; kaymayı atan, kesin CODAS'ın normalizasyonunu ekleyen ya da eşiği sorgulamayan her uygulama yöntemin tek katkısını yok eder.