m-kutuplu dilsel TOPSIS (Adeel, Akram ve Koam, 2019)

Dört şey değişir; karar mantığı aynı kalır.

Hücreler. Kesin TOPSIS'te her hücre tek sayıdır. Burada her hücre, bir dilsel terimin m ayrı bakış açısından (kutuptan) aldığı derecelerdir; her kutup 0 ile 1 arasında bir sayıdır. Örneğin bir modelin "görünüş" değerlendirmesinde "epey güzel" teriminin karşılığı, yüz hatları, duruş ve vücut hatları kutuplarında ayrı ayrı puanlanır. Birden fazla karar verici varsa her biri kendi matrisini verir; DecisionMind bunları basit aritmetik ortalamayla tek bir matriste birleştirir ve bu birleştirme ağırlıklamadan ÖNCE yapılır. Kriter ağırlıkları da her karar vericiden ayrı ayrı alınıp aynı biçimde ortalamayla birleştirilir.

Ölçek eşitleme. Burada kesin TOPSIS'teki gibi bir sütun normalizasyonu yoktur. Her kutup değeri zaten 0 ile 1 arasında bir derece olarak girilir. Ham bir puan, örneğin 100 üzerinden bir not, varsa bu motor tarafından ölçeklenmez; kullanıcı önce kendisi 0 ile 1 arasına getirmelidir.

Ağırlıklama. Kesin TOPSIS'te ağırlıklama sütunun tamamına uygulanır. Burada birleşik ağırlık, birleşik matrisin her kutbuna doğrudan skaler olarak çarpılır. Bu çarpma üstel değildir; tereddüt katmanı olmadığı için MHF-TOPSIS ve MPF-HF-TOPSIS'teki üstel ağırlıklamadan farklıdır.

Uzaklık ve sonuç. İdeal ve anti-ideal, her dilsel terim için her kutupta ayrı ayrı en iyi ve en kötü değerden kurulur. Uzaklık, kutuplar üzerinden eşit ağırlıklı bir Öklid uzaklığıdır; kriter ağırlığı zaten bir önceki adımda değerlere gömüldüğü için uzaklık formülünde ikinci kez çarpılmaz. Yakınlık katsayısı yine 0 ile 1 arasında tek bir sayıdır.

DecisionMind bu uzantıda grup birleştirmesinin ağırlıklamadan önce yapılmasını ve kutuplar üzerinden eşit ağırlıklı uzaklığı sabit tutar.

Yakınlık katsayısı kesin TOPSIS'teki gibi okunur, yalnız bu seçenek kümesini sıralar. Fark şuradadır: karar vericilerin matrisleri ortalamayla, ağırlıklamadan önce birleştirilir. Bu yüzden tek bir aykırı karar verici, ideal ve anti-ideal noktayı bütün seçenekler için kaydırabilir.

Bu nedenle:

"m-kutuplu dilsel TOPSIS grup kararını kullandığı için sonuç öznellikten arınmıştır"

yerine:

"Karar vericilerin matrisleri basit ortalamayla birleştirilmiştir; tek bir aykırı karar verici ideal ve anti-ideal noktayı kaydırabilir, bu risk raporda değerlendirilmelidir"

biçiminde yazmak doğrudur.

Birden fazla karar verici bir kriteri m ayrı bakış açısından dilsel terimlerle değerlendiriyorsa bu uzantı uygundur. Tek bir karar verici olsa da kutup yapısı yine kullanılabilir. Yalnız tek bir bakış açısı varsa ve karar verici tek bir dilsel terim seçiyorsa 2-tuple dilsel TOPSIS, terimi olasılıkla dağıtıyorsa Olasılıksal dilsel TOPSIS yeterlidir; kutup katmanı bu durumlarda gereksiz karmaşıklık ekler. Kriter ölçülmüşse temel yöntemde kalınmalıdır; DecisionMind tabloyu tek veri türünde ister.

Ham puanı ölçeklemeden vermek. 100 üzerinden bir notu doğrudan hücreye yazmak, 0-1 aralığı kısıtını bozar; yöntem bu ölçeklemeyi kendisi yapmaz.

Kutup sayısını ve anlamını sabit tutmamak. Her kutup, örneğin yüz hatları ya da duruş, bütün karar vericiler, seçenekler ve dilsel terimler için aynı anlamı taşımalıdır; aksi hâlde sütun bazında en iyi ve en kötü değeri kurmak tutarsız olur.

Dilsel ağırlık etiketlerini sayısala çevirmeden vermek. Ağırlıklar yalnız etiket olarak ("orta", "yüksek") verilmişse önce bir sayısal karşılık atanmalı ve toplamları 1 olmalıdır; yöntem bu dönüşümü kendisi yapmaz.

Kriter ağırlığını uzaklık formülünde ikinci kez çarpmak. Ağırlık zaten ağırlıklı matrise gömülüdür; uzaklık hesabında sapmayı bir daha ağırlıkla çarpmak makalenin sayılarını bozar.

Temel ilke şudur:

Karar vericilerin matrisleri ağırlıklamadan önce birleştirilir; bu birleştirmeden sonra tek bir aykırı görüşün etkisi bütün seçenekler için kalıcı hâle gelir ve bu risk ayrıca değerlendirilmelidir.