Uzantı kartı · Dilsel
2-tuple dilsel SAW (Cid-López ve ark., 2018)
Bu, SAW'ın uzman puanlarının önceden ilan edilmiş bir terim kümesinden seçildiği ve birleştirme sonucunun bir terime yuvarlanmadan, kayma değeriyle birlikte saklandığı biçimidir.
Temel yöntem
SAW →
Felsefe, işleyiş, güçlü ve zayıf yanlar temel yöntem kartında; bu kart yalnız farkı anlatır.
Veri türü (aile)
Dilsel (Linguistic) →
Bu veri türü nedir, ne zaman kullanılır, hücreye nasıl yazılır: ailenin ayrıntılı anlatımı burada.
Temel Yöntemden Ne Değişir?
Hücreler. Kesin SAW'da her hücre tek sayıdır. Burada her hücre bir terim ve bir kaymadan oluşur. Uzman puanı terim kümesinden seçer; birleştirme sonucu iki terim arasına düşerse en yakın terime yuvarlanmaz, kayma değeriyle saklanır. Kriter ağırlıkları kesin sayıdır; yöntem ağırlık üretmez.
Ölçek eşitleme. Kesin SAW her sütunu kendi en iyi değerine oranlar; böylece en iyi seçenek her kriterde 1 puan alır. 2-tuple dilsel SAW bu oranlamayı yapmaz. Her terim, kaymasıyla birlikte doğrudan bir sayıya çevrilir ve bu sayı üzerinde ayrıca bir en-iyiye-oranlama işlemi çalıştırılmaz; kriter yönü, maliyet ölçütlerinde sayının işareti ters çevrilerek toplamaya girer. Bu, hem kesin SAW'dan hem 2-tuple dilsel TOPSIS ve VIKOR'dan farklı bir noktadır: o iki yöntemde en azından bir ideal-karşıt ideal ya da en iyi-en kötü ölçeklemesi vardır, burada hiç yoktur.
Ağırlıklı toplam. Yöntem her terimin sayıya çevrilmiş hâlini, kriterin yönüne göre işaretleyip ağırlığıyla çarpar ve seçenek bazında toplar. Bu toplam, kesin SAW'daki ağırlıklı toplamın doğrudan karşılığıdır; farkı yalnız girdinin terimden sayıya geçmiş olmasıdır.
Sonuç ve durulaştırma. Toplam puan burada da tek bir sayıdır ama kesin SAW'daki gibi 0 ile 1 arasına sıkışmaz, çünkü bir en-iyiye-oranlama adımı yoktur; puan doğrudan terimlerin ağırlıklı toplamıdır. Terimi sayıya çeviren dönüşüm birebirdir ve tersine çevrilebilir; iki terim arasına düşen bir sonuç kaymasıyla birlikte kalır.
DecisionMind klasik 2-tuple dilsel SAW'da terim kümesinin dokuz basamaklı olmasını, ayrı bir ölçek eşitleme adımı çalıştırmamayı ve terim-sayı dönüşümünü sabit tutar. Ağırlıklar dışarıdan ve kesin sayı olarak alınır.
Çıktı Nasıl Yorumlanır?
Toplam puan, seçeneğin ağırlıklı ortalamasını verir; kesin SAW'daki gibi yüzde ya da olasılık değildir. Fark şurada: burada bir en-iyiye-oranlama adımı olmadığı için puanın büyüklüğü seçenek kümesine kesin SAW'dan daha az bağlıdır, ama tam telafi varsayımı aynen geçerlidir. Bir kriterdeki ciddi zayıflık, ağırlığı yeterince büyük başka bir kriterdeki güçle doğrudan kapanabilir.
Bu nedenle:
"2-tuple dilsel SAW en iyi seçeneği buldu"
yerine:
"Bu ağırlıklar ve tam telafi varsayımı altında en yüksek ağırlıklı toplama sahip seçenek budur; sıra hangi kriterin bir basamak değişmesine duyarlıdır"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Uzmanlar kriteri terim kümesinden seçtikleri bir kelimeyle değerlendiriyorsa, birleştirme sonucunun bir terime yuvarlanmadan saklanması isteniyorsa ve hızlı, elle izlenebilir bir sıralama yeterliyse.
Aynı ailenin diğer üyesiyle karışmamalıdır. Uzman tek bir terim değil, birkaç terimi olasılıkla veriyorsa olasılıksal dilsel yapı kullanılır; bu ailede SAW'ın olasılıksal dilsel üyesi ayrı bir uzantıdır. Uzman "yaklaşık bir sayı" düşünüyorsa bulanık SAW uygundur.
Temel yöntemde kalınması gereken durum aynıdır: kriter ölçülmüşse ölçülmüş kalır. SAW'ın tam telafi varsayımı bir kriterde taviz kabul edilmeyen kararlarda uygun değildir; bu, dilsel veride de değişmez.
Bu Uzantıya Özgü Hatalar
Kaymayı atıp en yakın terime yuvarlamak. Ağırlıklı toplamdan önce kaymayı atmak, yöntemin bilgi kaybetmeme özelliğini geçersiz kılar.
Kesin SAW'ın en-iyiye-oranlama adımını buraya taşımak. 2-tuple dilsel SAW terimleri doğrudan toplar; sonradan bir en-iyiye-oranlama eklemek farklı bir yöntem tanımlamak olur ve raporda ayrıca belirtilmelidir.
Maliyet kriterinin işaretini unutmak. Azı iyi bir kriterde terimin sayı karşılığı toplama eksi işaretle girer; işaret unutulursa yüksek maliyetli seçenek avantajlı görünür.
Terim kümesini uzmandan uzmana farklı tutmak. Basamak sayısı ve sırası bütün uzmanlar ve seçenekler için aynı kalmalıdır.
Temel ilke şudur:
2-tuple dilsel SAW, terimler arası birleştirmede oluşan kaymayı bilgi kaybetmeden taşımak içindir; sadeliği bir erdemdir ama tam telafi varsayımını ve maliyet işaretini unutan her uygulama yanlış sıralama üretir.
Vakalar
Birinci vaka DecisionMind'ın doğrulama örneğidir. Manifestte bu 3x3 tablo sayfa numarası verilmeden sentetik bir fixture olarak kayıtlıdır; sayılar Δ ve Δ⁻¹ formülleriyle bağımsız olarak yeniden hesaplanmıştır. İkinci vaka öğretici kurgudur.
1. Öğretici örnek (DecisionMind'ın doğrulama örneği): Üç kurs sağlayıcısı arasında seçim
Bir kurum çalışanlarına yönelik eğitim için üç kurs sağlayıcısı arasında seçim yapacaktır. Ölçütler: eğitmenin alan bilgisi, içeriğin güncelliği ve kurs ücreti; sonuncusu azı iyi bir ölçüttür. İnsan kaynakları uzmanları her sağlayıcıyı terim kümesinden seçtikleri kelimeyle puanlıyor; terim kümesi dokuz basamaklıdır: çok düşük, düşük, oldukça düşük, azıcık düşük, orta, azıcık yüksek, oldukça yüksek, yüksek, çok yüksek.
| Sağlayıcı | Alan bilgisi | İçerik güncelliği | Kurs ücreti |
|---|---|---|---|
| A1 | oldukça yüksek, azıcık aşağı kaymalı | orta | azıcık yüksek, azıcık aşağı kaymalı |
| A2 | oldukça yüksek, azıcık yukarı kaymalı | azıcık yüksek, azıcık aşağı kaymalı | azıcık düşük, azıcık yukarı kaymalı |
| A3 | azıcık yüksek, azıcık aşağı kaymalı | oldukça yüksek, azıcık aşağı kaymalı | orta |
| Yön | çoğu iyi | çoğu iyi | azı iyi |
| Ağırlık | 0,40 | 0,35 | 0,25 |
Yöntem her terimi kaymasıyla birlikte sayıya çevirir, fayda ölçütlerinde bu sayıyı olduğu gibi, maliyet ölçütünde eksi işaretiyle ağırlığıyla çarpar ve toplar.
| Sağlayıcı | Toplam puan | Sıra |
|---|---|---|
| A2 | 3,44 | 1 |
| A3 | 2,88 | 2 |
| A1 | 2,44 | 3 |
Sonuç şöyle okunur. A2 en ağır ölçüt olan alan bilgisinde en üst basamaktadır ve kurs ücretinde de en düşük basamaktadır; bu ikisi toplamı diğerlerinin önüne taşır. A1 alan bilgisinde A2 ile aynı basamakta olmasına rağmen içerik güncelliğinde en düşük basamakta kalır ve son sıraya düşer.
Kurumun tereddüdü şudur: A1'in kurs ücreti bir basamak düşse, yani azıcık yüksekten oldukça düşüğe inse, A1'in puanı 2,44'ten 2,69'a çıkar. A3 hâlâ önde kalır ama fark 0,44'ten 0,19'a iner. Rapor bu iki sağlayıcının sırasının fiyat teklifindeki tek bir basamaklık değişikliğe duyarlı olduğunu söylemelidir.
Raporda: "Uzman puanları dokuz basamaklı terim kümesinden seçilmiş, birleştirme sonucu kayma değeriyle korunmuştur. A2 3,44 puanla önde çıkmıştır. A3 ile A1 arasındaki fark, kurs ücretindeki tek basamaklık bir değişime duyarlıdır."
Kaynak: DecisionMind'ın L2T-SAW doğrulama örneği. Terim kümesi ve eğitim senaryosu bu kart için kurulmuştur; sayılar manifestin sentetik fixture'ından alınmış, Δ ve Δ⁻¹ formülleriyle bağımsız olarak yeniden hesaplanmıştır.
2. Atık yönetimi: Üç geri dönüşüm tesisi teklifi arasında seçim
Bir belediye üç geri dönüşüm tesisi işletme teklifi arasında seçim yapacaktır. Ölçütler: tesisin işleme kapasitesi, ayrıştırma kalitesi ve işletme maliyeti; sonuncusu azı iyi bir ölçüttür. Belediye meclisi komisyonu her teklifi terim kümesinden seçtiği kelimeyle değerlendiriyor.
Yöntem her terimi sayıya çevirir, fayda ölçütlerini olduğu gibi, maliyet ölçütünü eksi işaretiyle ağırlığıyla çarpıp toplar. Diyelim ki en yüksek işleme kapasitesine sahip teklif aynı zamanda en pahalısı çıktı; kapasitedeki üstünlüğü, en ağır ölçüt bu olduğu için, maliyet dezavantajını topladı ve teklifi birinci sıraya taşıdı.
Komisyonun tereddüdü şudur: bütçe üst sınırı varsa, yöntem bunu kendiliğinden gözetmez; maliyet diğer ölçütlerle doğrudan toplanmıştır. Bütçeyi aşan teklif analizden önce ayrılmalı, kalan teklifler bu yöntemle sıralanmalıdır.
Raporda: "Teklif puanları terim kümesinden seçilmiş ve toplanmıştır. En yüksek kapasiteli teklif birinci sıradadır. Bütçe üst sınırı ayrı bir ön eleme adımı olarak uygulanmadığı sürece bu sonuç doğrudan kullanılmamalıdır."
3. Yapılmaması Gereken
Öğretici örnekteki A1'in kurs ücreti terimini kesin SAW'daki gibi en-iyiye-oranlayıp sonra toplamak: bu, 2-tuple dilsel SAW'ın tanımladığı yöntem değildir ve farklı bir puan üretir. İkinci yanlış, kurs ücreti ölçütünü toplarken eksi işaretini unutmaktır; bu durumda en pahalı sağlayıcı yanlışlıkla avantajlı görünür. Üçüncü yanlış, bir uzmanın dokuz basamaklı, diğerinin beş basamaklı terim kümesi kullanmasına izin vermektir; basamak sayısı bütün uzmanlar için aynı olmalıdır.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/l2t-saw
Cid-López, A., Hornos, M. J., Carrasco-González, R. A., & Herrera-Viedma, E. (2018). Prioritization of the launch of ICT products and services through linguistic multi-criteria decision-making. Technological and Economic Development of Economy, 24(3), 1231–1257. DOI: 10.3846/tede.2018.1423
Herrera, F., & Martínez, L. (2000). A 2-tuple fuzzy linguistic representation model for computing with words. IEEE Transactions on Fuzzy Systems, 8(6), 746–752. DOI: 10.1109/91.890332
Fishburn, P. C. (1967). Additive utilities with incomplete product sets: Application to priorities and assignments. Operations Research, 15(3), 537–542. DOI: 10.1287/opre.15.3.537
Zadeh, L. A. (1975). The concept of a linguistic variable and its application to approximate reasoning—I. Information Sciences, 8(3), 199–249. DOI: 10.1016/0020-0255(75)90036-5