Uzantı kartı · Nötrosofik
Nötrosofik CoCoSo (Nabeeh ve Sallam, 2024)
Nötrosofik CoCoSo, kriter puanlarının doğruluk (T), belirsizlik (I) ve yanlışlık (F) olmak üzere üç bağımsız dereceyle verildiği durumlar için CoCoSo biçimidir. Her hücre önce tek bir skora indirilir, sonra bu skorlar üzerinden toplamsal ve çarpımsal ölçüler doğrudan hesaplanır.
Temel yöntem
CoCoSo →
Felsefe, işleyiş, güçlü ve zayıf yanlar temel yöntem kartında; bu kart yalnız farkı anlatır.
Veri türü (aile)
Nötrosofik (Neutrosophic) →
Bu veri türü nedir, ne zaman kullanılır, hücreye nasıl yazılır: ailenin ayrıntılı anlatımı burada.
Temel Yöntemden Ne Değişir?
Üç şey değişir. Karar mantığı aynı kalır.
Hücreler. Kesin CoCoSo'da her hücre tek sayıdır. Burada her hücre doğruluk, belirsizlik, yanlışlık olmak üzere üç bağımsız dereceden oluşur; üçü de 0 ile 1 arasındadır ve toplamları 3'e kadar çıkabilir. Belirsizlik burada geriye kalan bir pay değildir, kendi kaynağından gelen ayrı bir bilgidir. Kriter ağırlıkları kesin sayı olarak dışarıdan gelir.
Skor ve ölçek eşitleme. Her hücre önce Nabeeh ve Sallam'ın (2024) skor fonksiyonuyla tek sayıya indirilir: s = (1 + T − 2I − F) / 2. Maliyet kriterinde bu indirgemeden önce üçlü tümlenir: (T, I, F) yerine (F, 1−I, T) yazılır. Kesin CoCoSo burada sütunları kendi en iyi ve en kötü değerine göre 0-1 aralığına çeker. Nötrosofik uzantıda böyle bir çekme adımı yoktur. Toplamsal ölçü (S) ve çarpımsal ölçü (P) doğrudan bu skorlar üzerinden, herhangi bir 0-1 ölçeklemesi olmadan hesaplanır.
Toplamsal ve çarpımsal ölçü. S_i, skorların ağırlıklı toplamıdır; kesin CoCoSo'daki gibi işler. P_i ise skorların ağırlıklı kuvvet çarpımıdır. Skor negatif olabildiği için (T-2I-F ifadesi eksiye düşebilir) bir sorun çıkar: çarpımsal ölçü negatif taban için tanımsızdır. DecisionMind bu durumda tabanı çok küçük bir pozitif sayıya (ε) kırpar. Bu, hesabı çökmekten korur ama bir bedeli vardır: aşağıdaki öğretici örnekte görüleceği gibi, bir kriterin skoru sıfırın altına düşerse P_i o kriterin gerçek bilgisini neredeyse tamamen kaybeder.
DecisionMind bu uzantıda durulaştırma skoru olarak Nabeeh-Sallam (2024) formülünü ve üçüncü uzlaşma stratejisindeki denge katsayısını sabit tutar. Denge katsayısı λ burada kullanıcı tarafından değiştirilebilir bir parametredir; bu, ailenin diğer üyelerinden (Pisagor, küresel, q-Rung bulanık CoCoSo) farklıdır, çünkü oralarda λ motor içinde 0,5'te sabittir.
Çıktı Nasıl Yorumlanır?
Kesin CoCoSo'daki gibi K skoru yalnız bu seçenek kümesi içinde bir sıralamadır. Üç uzlaşma stratejisinin uyuşup uyuşmadığı sağlamlığı gösterir.
Fark şurada: kesin CoCoSo'da K her zaman pozitiftir, çünkü S ve P sıfırla bir arasına çekilmiş sayılardan kurulur. Nötrosofik uzantıda böyle bir çekme yapılmadığı için S_i negatif çıkabilir ve bu durumda K de negatife düşebilir. Ayrıca bir kriterin skoru sıfırın altına düşüp ε'ye kırpıldığında, P_i o kriterdeki gerçek farkı neredeyse hiç taşımaz; sıralamayı fiilen S_i (toplamsal ölçü) belirler.
Bu nedenle:
"K skoru pozitif ve büyük çıktığı için sonuç güvenilirdir"
yerine:
"Bu uzantıda K'nin işareti ve büyüklüğü kesin CoCoSo'dakiyle karşılaştırılamaz; herhangi bir kriterin skoru sıfırın altına düşmüşse çarpımsal ölçü neredeyse devre dışı kalmış olabilir, bu da ayrıca kontrol edilmelidir"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Kriterler bir ölçümden değil, doğruluk-belirsizlik-yanlışlık üçlüsüyle ifade edilebilecek bir yargıdan geliyorsa ve bu üç bileşen birbirinden bağımsız, ayrı kaynaklardan türetiliyorsa bu uzantı kullanılır. Belirsizlik uzmanın kararsızlığı değil, bilginin eksikliği ya da çelişkisidir; ayrım Nötrosofik veri türü kartındadır. Destek ve ret toplamı zaten 1'i aşmıyorsa ve ayrı bir belirsizlik kaynağı yoksa sezgisel bulanık CoCoSo (if-cocoso) yeterlidir; nötrosofik yapı bir varsayım daha eklemiş olur.
Ölçülmüş bir kriteri T-I-F üçlüsüne çevirmek belirsizlik modellemek değil belirsizlik üretmektir. Kesin yöntemin çıkış koşulu burada da geçerlidir: matris tek türde olmalı ve bir kriterde taviz kabul edilmiyorsa bu uzantı da telafi edicidir, eşik altını elemez.
Bu Uzantıya Özgü Hatalar
Bir kriterin skorunun sıfırın altına düşmesini fark etmemek. Aşağıdaki öğretici örnekte maliyet kriterinin tümlenmiş skoru üç seçenek için de negatiftir (−0,25; −0,15; −0,45). Bu durumda P_i, ε'ye kırpılmış bir tabandan hesaplanır ve S_i'nin büyüklüğünün (0,22-0,35) binde birine (0,00053-0,00055) düşer. Aynı üç seçenek yalnızca fayda kriterleriyle değerlendirilseydi P_i, S_i ile aynı büyüklükte kalırdı (yaklaşık 0,38-0,47). Raporda P_i'nin bu şekilde neredeyse sıfırlandığı belirtilmelidir; aksi hâlde "toplamsal ve çarpımsal iki ayrı ölçü kullanıldı" denilse de fiilen tek ölçü (S_i) sıralamayı taşımaktadır.
T+I+F toplamının 3'ü aşmasına izin vermek. Manifestin kendi uyarısı budur. Her bileşen [0,1] aralığında olsa da üçünün toplamı geçerlilik sınırının (3) üzerine çıkarsa hücre geçersizdir.
K'nin negatif çıkabileceğini unutup "en yüksek K kazanır" kuralını körü körüne uygulamak. Ağırlık maliyet kriterine çok yüklenirse (öğretici örnekte C3'e 0,70 verilirse) S_i ve dolayısıyla K negatife düşebilir. Sıralama yine büyükten küçüğe yapılır, ama "K'si pozitif olmalı" gibi bir beklenti burada yanlıştır.
Durulaştırma skorunu değiştirmek. Nabeeh-Sallam (2024) skoru (1+T−2I−F)/2 sabit kuraldır. Başka bir nötrosofik skor fonksiyonu (yalnız T−F gibi) farklı bir sıra üretebilir.
Temel ilke şudur:
Nötrosofik CoCoSo'da skorlar hiçbir ara adımda 0-1'e çekilmez; bir kriterin skoru sıfırın altına düşerse çarpımsal ölçü o kriterin bilgisini neredeyse kaybeder ve sıralamayı fiilen toplamsal ölçü taşır.
Vakalar
Birinci vaka DecisionMind'ın doğrulama örneğidir. N-COCOSO'nun kurucu kaynağı (Nabeeh ve Sallam, 2024) 10 seçenek ve 16 kriterlik gerçek bir vaka çalışması içerir, ama makale ham puan tablosunu değil yalnız normalize edilmiş sonucu yayımlamıştır. Bu yüzden DecisionMind, makalenin kendi beşli sözel ölçeğini (Nabeeh-Sallam Tablo 1) esas alan küçük, elle izlenebilir bir tablo kurmuştur. İkinci vaka öğretici bir kurgudur.
1. Öğretici örnek (DecisionMind'ın doğrulama örneği): Üç tedarikçinin güvenilirlik yargısıyla değerlendirilmesi
Bir firma üç tedarikçiyi (A1, A2, A3) iki fayda kriterinde ve bir maliyet kriterinde nötrosofik yargılarla değerlendiriyor.
| Tedarikçi | Kriter 1 | Kriter 2 | Kriter 3 (Maliyet) |
|---|---|---|---|
| A1 | (0,70; 0,20; 0,20) | (0,60; 0,30; 0,30) | (0,50; 0,30; 0,40) |
| A2 | (0,80; 0,10; 0,10) | (0,50; 0,30; 0,40) | (0,40; 0,30; 0,50) |
| A3 | (0,60; 0,30; 0,30) | (0,70; 0,20; 0,20) | (0,60; 0,20; 0,30) |
| Yön | çoğu iyi | çoğu iyi | azı iyi |
| Ağırlık | 0,40 | 0,35 | 0,25 |
Yöntem önce maliyet kriterini tümler, sonra her hücreyi tek bir skora indirir. Bu skorlar üzerinden ağırlıklı toplam (S) ve ağırlıklı kuvvet çarpımı (P) doğrudan hesaplanır; aradan bir ölçek eşitleme adımı geçmez. Maliyet sütununun tümlenmiş skorları üç seçenek için de negatiftir (A1: −0,25; A2: −0,15; A3: −0,45); bu yüzden P hesabında taban ε'ye kırpılır.
| Tedarikçi | Birleşik skor (K) | Sıra |
|---|---|---|
| A2 | 2,369 | 1 |
| A1 | 1,988 | 2 |
| A3 | 1,651 | 3 |
Sonuç şöyle okunur: A2, en ağırlıklı kriter olan Kriter 1'de en yüksek skora sahiptir ve maliyette de en düşük tümlenmiş skora, yani en iyi konuma sahiptir. Bu, K'yi neredeyse tamamen S_i (toplamsal ölçü) belirlerken bile A2'yi öne taşır; P_i'nin üç seçenek arasındaki katkısı (0,00053-0,00055 aralığında) pratikte ayırt edici değildir.
Firmanın tereddüdü: Kriter 1 ile maliyetin ağırlıkları yer değiştirse (0,25 / 0,35 / 0,40) sıra değişmez (A2, A1, A3 kalır; K=2,660 / 2,112 / 1,511). Ama A3'ün Kriter 1'deki skoru belirgin biçimde yükselirse (0,60'tan 0,85'e), sıra baştan aşağı döner: A3 2,388 ile birinci, A2 2,051 ile ikinci, A1 1,731 ile üçüncü olur. Bu, A3'ün ilk denemede geride kalmasının Kriter 1'deki zayıf skorundan kaynaklandığını, ağırlık takasından değil, gösterir.
Raporda: "Verilen ağırlıklarla A2 birleşik skorda öndedir (K=2,369); ancak bu sıralamayı fiilen taşıyan toplamsal ölçüdür, çünkü maliyet kriterinin negatif skoru çarpımsal ölçüyü neredeyse etkisizleştirmiştir. A3'ün Kriter 1'deki puanı yükselirse sıra A3 lehine değişmektedir."
Kaynak: DecisionMind'ın N-COCOSO doğrulama örneği. Nabeeh ve Sallam (2024) 10 seçenek × 16 kriterlik bir tıbbi malzeme seçimi vakası sunar ve beşli sözel ölçekten (Çok Düşük'ten Çok Yüksek'e) nötrosofik üçlülere geçer, ama ham puan tablosunu yayımlamaz. Bu yüzden yukarıdaki küçük tablo, makalenin adımlarına (F1-F8) sadık biçimde DecisionMind tarafından kurulmuş ve sayılar kernel mantığı Python'da bağımsız olarak yeniden hesaplanarak doğrulanmıştır.
2. Yayıncılık: Bir yayınevinin yeni bir el yazması için basım önceliği
Bir yayınevi, sınırlı basım bütçesiyle üç el yazmasından (Y1, Y2, Y3) birine öncelik verecektir. Üç kriter kullanılır: editoryal kalite, beklenen okur ilgisi ve çeviri/telif maliyeti (bu sonuncusu azı iyi). Editörler her el yazması için "bu eser yayına değer" yargısına destek, belirsizlik ve karşıtlık derecelerini ayrı ayrı veriyor; belirsizlik, henüz tamamlanmamış dış okur raporlarından geliyor.
Yöntem maliyet kriterini tümler, her hücreyi skora indirir, ağırlıklı toplam ve kuvvet çarpımını doğrudan bu skorlar üzerinden hesaplar. Diyelim ki editoryal kalitesi en yüksek eser aynı zamanda çeviri maliyeti de en yüksek olan eserdir ve yine de birinci sırada çıkar, çünkü editoryal kalite ağırlığı maliyetten fazladır.
Yayınevinin tereddüdü: dış okur raporları henüz tamamlanmadığı için belirsizlik payı yüksek tutulmuş olabilir. Belirsizliğin payı skor formülünde doğrudan ceza olarak işler (−2I terimi); rapor tamamlanıp belirsizlik düşerse aynı destek-karşıtlık çiftiyle bile skor yükselebilir. Yayınevi kararını yalnız mevcut skora değil, hangi eserde belirsizliğin en yüksek olduğuna bakarak da desteklemelidir.
Raporda: "Editoryal kaliteye verilen yüksek ağırlıkla en kaliteli eser basım önceliğinde birinci sıradadır; ancak bu eserdeki belirsizlik payı diğerlerinden yüksektir ve dış okur raporları tamamlandığında skor değişebilir."
3. Yapılmaması Gereken
Birinci yanlış, maliyet kriterinin tümlenmiş skorunun negatif çıktığını fark etmeden "toplamsal ve çarpımsal iki ayrı ölçü kullanıldı, sonuç iki yönden de doğrulandı" diye raporlamaktır. Öğretici örnekte P_i'nin üç seçenek arasındaki farkı 0,00053-0,00055 aralığında, yani pratikte sıfırdır; sıralamayı fiilen S_i taşımaktadır. İkinci yanlış, K'nin her zaman pozitif çıkması gerektiğini varsayıp negatif bir K değerini hesap hatası sanmaktır; ağırlık maliyete çok yüklenirse (örneğin 0,70) K gerçekten negatife düşebilir, bu geçerli bir sonuçtur. Üçüncü yanlış, T+I+F toplamının 3'ü aşıp aşmadığını kontrol etmeden hücreleri hesaba sokmaktır.
Kaynaklar
Adımların formülleri, ara tablolar ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/n-cocoso
Nabeeh, N. A., & Sallam, K. M. (2024). A Combined Compromise Solution (CoCoSo) of MCDM Problems for Selection of Medical Best Bearing Ring. Neutrosophic Optimization and Intelligent Systems, 1, 1–13. DOI: 10.61356/j.nois.2024.16089
Yazdani, M., Zarate, P., Zavadskas, E. K., & Turskis, Z. (2019). A combined compromise solution (CoCoSo) method for multi-criteria decision-making problems. Management Decision, 57(9), 2501–2519. DOI: 10.1108/MD-05-2017-0458
Smarandache, F. (1998). Neutrosophy: Neutrosophic Probability, Set, and Logic. American Research Press, Rehoboth. (DOI yok)
Wang, H., Smarandache, F., Zhang, Y., & Sunderraman, R. (2010). Single valued neutrosophic sets. Multispace and Multistructure, 4, 410–413. (DOI yok)