Uzantı kartı · Nötrosofik
Nötrosofik CODAS
N-CODAS, kriter değerlendirmesinde doğruluk, belirsizlik ve yanlışlık derecelerinin ayrı ayrı verildiği durumlar için tek-değerli nötrosofik sayılarla çalışan CODAS biçimidir. İki farklı uzaklık ölçüsünü bir skor fonksiyonu üzerinden hesaplar ve sonucu tek bir değerlendirme puanıyla sıralar.
Temel yöntem
CODAS →
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?
Dört şey değişir. İki-uzaklıklı karşılaştırma mantığı ise değişmez.
Hücreler. Kesin CODAS'ta her hücre tek sayıdır. Burada her hücre üç bileşenden oluşur: doğruluk (T), belirsizlik (I) ve yanlışlık (F). Her biri 0 ile 1 arasında bir değer alır ve birbirinden bağımsızdır. Toplamları 1'i aşabilir. Kriter ağırlıkları burada da kesin (crisp) sayıdır. Belirsizlik yalnız kriter değerlerinde taşınır.
Ölçek eşitleme. Kesin CODAS, fayda kriterinde değeri sütunun en büyük değerine böler. Maliyet kriterinde ise sütunun en küçük değerinin değere oranını alır. Nötrosofik hücrede maliyet yönü bölme yerine tümleme ile işlenir. (T, I, F) üçlüsü (F, I, T) olarak ters çevrilir. Bunun nedeni, nötrosofik cebirde bir yargının "az olması iyi" durumunun doğruluk ve yanlışlığın yer değiştirmesiyle ifade edilmesidir. Sayısal oran alma burada tanımlı değildir. Bu tümleme dışında normalizasyon adımı yoktur. Nötrosofik bileşenler zaten 0-1 aralığındadır.
Ağırlıklama ve negatif-ideal. Her nötrosofik hücre ağırlıklı nötrosofik toplama kuralıyla (SVNWA) kriter ağırlığıyla birleştirilir. Negatif-ideal, her kriterde bileşen bileşen en kötü (T'si en küçük, I'sı en büyük, F'si en büyük) nötrosofik değerden kurulur. Kesin CODAS'taki gibi burada da tek bir "en kötü" referans kullanılır.
Skor fonksiyonu ve uzaklık. Öklid ve Taksi uzaklığı hesaplanmadan önce her nötrosofik değer bir skor fonksiyonuyla ((T − F + 1)/2) tek sayıya indirilir. Negatif-ideal de aynı fonksiyonla indirgenir. Uzaklıklar bu skorlar arasında, kesin CODAS'takiyle aynı biçimde hesaplanır.
Değerlendirme puanı ve ikili karşılaştırma kuralı (eşik τ=0,02, Öklid önce, farkı aşmıyorsa Taksi) kesin CODAS ile birebir aynıdır. DecisionMind klasik N-CODAS'ta bu skor fonksiyonunu ve eşik değerini sabit tutar.
Çıktı Nasıl Yorumlanır?
Değerlendirme puanının okunuşu kesin CODAS ile aynıdır: göreli bir konum ölçüsüdür, yüzde değildir, seçenek kümesi değişince yeniden kurulur. Fark şurada: skor fonksiyonu T ve F'yi kullanır, I (belirsizlik) bileşenini doğrudan puana katmaz. Skor I'dan yalnızca dolaylı olarak etkilenir: T+I+F toplamının 1'i aşıp aşmadığı sonucu değiştirebilir. Bu yüzden yüksek belirsizlikli (I büyük) bir seçenek, T ve F'si düşük başka bir seçenekle aynı skoru alabilir. Skor tek başına "bu değerlendirme ne kadar eksik bilgiyle yapıldı" sorusunu cevaplamaz; bunun için ayrıca I bileşenine de bakmak gerekir.
Bu nedenle:
"N-CODAS puanı yüksek çıktı, bu seçenek hakkında güçlü kanıt var"
yerine:
"Bu puan T ve F'den türetilmiştir; I bileşeni ayrıca kontrol edilmeden, bu seçeneğin ne kadar eksik bilgiyle değerlendirildiği bilinmez"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Kriter değerlendirmesi eksik, çelişkili ya da tutarsız kanıta dayanıyorsa ve bu durumun karar için önemli olduğu düşünülüyorsa. Ölçülmüş kriterler bu uzantıya taşınmamalı. Matris tek türde olmak zorundaysa, ölçülmüş bir değerin karşılanma derecesi t olduğunda dürüst gömme (t, 0, 1−t) kullanılır. Temel CODAS'ın çıkış koşulu burada da aynen geçerlidir: bir kriterde taviz kabul edilmiyorsa telafi edici yöntem uygun değildir.
Bu Uzantıya Özgü Hatalar
Önce skor fonksiyonuyla durulaştırıp sonra kesin CODAS koşturmak. T-I-F üçlüsünü baştan (T−F+1)/2 skoruna indirip kesin CODAS'ı koşturmak N-CODAS'la aynı görünebilir. Ama fark şurada: nötrosofik ağırlıklama ve maliyet tümlemesinin skordan önce mi sonra mı uygulandığı, N-CODAS'ı kesin CODAS'tan ayıran asıl noktadır. Aşağıdaki öğretici örnekte skoru önce alıp kesin CODAS koşturmak sırayı korur (A3, A1, A2). Ama puanları 0,1456 / -0,3334 / 0,1878'e taşır. Doğru N-CODAS ise 0,3632 / 0,1020 / -0,4652 verir. Farklar hem büyüklük hem sıralamadaki göreli açıklık bakımından bozulur.
Belirsizliği (I) doğruluk ve yanlışlıktan türetmek. I = 1 − T − F yazmak nötrosofik yapıyı kesin veriye indirger. Her bileşen kendi kanıt kaynağından gelmelidir (bkz. nötrosofik veri türü kartı).
Üç bileşenin toplamını 1'e zorlamak. Toplamı 1'e sabitlemek yapıyı bağımlı bir üçlüye indirger ve nötrosofik kullanmanın gerekçesini ortadan kaldırır.
Skor fonksiyonunu değiştirip raporda belirtmemek. (T−F+1)/2 dışında başka skor fonksiyonları da literatürde vardır. Hangisinin kullanıldığı puanın büyüklüğünü etkiler.
Temel ilke şudur:
N-CODAS, kanıtın eksik ya da çelişkili olduğu durumları T-I-F üçlüsüyle korumak içindir. I bileşenini T ve F'den türeten ya da skor fonksiyonunu normalizasyon-ağırlıklamadan önce uygulayan her kısayol, yapının tek katkısını siler: bilinmeyeni olumsuz kanıtla karıştırmama.
Vakalar
Birinci vaka DecisionMind'ın doğrulama örneğidir. Motorun kendi ürettiği, formüle sadık, üç seçenekli üç kriterli küçük bir SVN tablosu kullanılır. Manifestin kendi kaydı, bu ailenin (SVN-CODAS) tek bir doğrulanmış literatür kaynağı olmadığını ve "Yüksel 2020" adlı bir çapa referansın doğrulanamadığını belirtir. Bu nedenle kart başlığında yazar-yıl kullanılmamıştır (bkz. onay notları). İkinci vaka öğretici kurgudur.
1. Öğretici örnek: Üç seçenek, üç kriter (DecisionMind doğrulama örneği)
Bu örnek bir literatür vakası değildir. N-CODAS'ın formüllerini elle izlenebilir kılmak için kurulmuş küçük bir tablodur. Üç seçenek üç kriterde nötrosofik T-I-F üçlüleriyle değerlendirilmiştir. Üç kriter de "çoğu iyi" yönündedir. Maliyet kriteri yoktur. Eşik değeri τ=0,02'dir.
| Seçenek | C1 | C2 | C3 |
|---|---|---|---|
| A1 | T0,70 I0,20 F0,10 | T0,60 I0,30 F0,20 | T0,50 I0,40 F0,30 |
| A2 | T0,50 I0,30 F0,40 | T0,70 I0,20 F0,20 | T0,60 I0,30 F0,30 |
| A3 | T0,80 I0,10 F0,20 | T0,50 I0,40 F0,30 | T0,70 I0,30 F0,20 |
| Yön | çoğu iyi | çoğu iyi | çoğu iyi |
| Ağırlık | 0,40 | 0,30 | 0,30 |
Yöntem hücreleri ağırlıklı nötrosofik toplama kuralıyla birleştirir. Her kriterde bileşen bileşen en kötü değerden negatif-ideali kurar. Sonra her hücreyi ve negatif-ideali (T−F+1)/2 skoruyla tek sayıya indirir. Bu skorlar üzerinden Öklid ile Taksi uzaklığını hesaplar. Üç seçenek arasındaki tüm ikili Öklid farkları eşiği (0,02) aştığından, Taksi uzaklığı bu örnekte hiçbir karşılaştırmada devreye girmemiştir.
| Seçenek | Değerlendirme puanı | Sıra |
|---|---|---|
| A3 | 0,3632 | 1 |
| A1 | 0,1020 | 2 |
| A2 | -0,4652 | 3 |
Sonuç şöyle okunur. A3, en ağırlıklı kriter C1'de en yüksek doğruluğa (T=0,80) ve en düşük yanlışlığa (F=0,20) sahiptir. A2 ise C1'de hem düşük doğruluk (T=0,50) hem yüksek yanlışlık (F=0,40) taşır ve son sıraya düşer. A1 arada kalır.
Kriter ağırlıkları C1=0,40/C2=0,30/C3=0,30'dan C1=0,30/C2=0,48/C3=0,22'ye değiştirildiğinde A1 öne geçer (0,1332) ve A3 ikinciye düşer (0,1289). Yani A3'ün birinciliği orta düzeyde sağlam bir sonuçtur: en zayıf olduğu C2 kriterinin ağırlığı belirgin biçimde artırılıp C1'in üstüne çıkarsa bu birincilik bozulur.
Raporda: "Verilen ağırlıklarla (C1=0,40, C2=0,30, C3=0,30) ve τ=0,02 eşiğiyle A3 en yüksek değerlendirme puanına (0,3632) sahiptir; C2'nin ağırlığı 0,48'e çıkarılıp C1 0,30'a indirildiğinde A1 öne geçmektedir (0,1332 / 0,1289), bu nedenle A3'ün birinciliği C2 ağırlığına orta düzeyde duyarlıdır."
Kaynak: DecisionMind N-CODAS motorunun doğrulama fixture'ı; adımlar manifestte tanımlı SVN-CODAS algoritmasına (SVNWA ağırlıklama + nötrosofik negatif-ideal + skor-fonksiyonlu Öklid/Taksi) göredir. Tüm sayılar bu kartın yazarınca aynı algoritmayla bağımsız olarak yeniden hesaplanmış ve motor çıktısıyla doğrulanmıştır.
2. Tarım: Bir kooperatifin kuraklığa dayanıklı yeni tohum çeşidi seçimi
Bir tarım kooperatifi, kuraklık riski artan bir bölgede üyelerine önereceği üç yeni tohum çeşidinden birini seçecektir. Kriterler: kuraklık toleransı, birim verim potansiyeli ve hastalık direnci. Her çeşit için kanıt farklı kaynaklardan geliyor ve kaynaklar birbiriyle çelişiyor: bazı deneme parsellerinde olumlu, bazılarında olumsuz sonuç alınmış, bazı bölgelerde iklim verisi eksik. Bu nedenle her kriter için doğruluk (lehte deneme sonuçları), yanlışlık (aleyhte deneme sonuçları) ve bilinmeyen (veri eksikliği) ayrı ayrı kayıt altına alınmıştır.
Yöntem üç çeşidin nötrosofik üçlülerini ağırlıklı birleştirir, negatif-ideali kurar, skor fonksiyonuyla indirger ve iki uzaklığı hesaplar. Diyelim ki en yüksek verim potansiyeline sahip çeşit aynı zamanda en çelişkili kanıta sahiptir: hem yüksek doğruluk hem yüksek yanlışlık taşır. Skor fonksiyonu bu çelişkiyi ortalar ve çeşit yine de ikinci sırada kalır, çünkü kuraklık toleransındaki güçlü ve tutarlı kanıt daha ağırlıklıdır.
Kooperatifin burada bir tereddüdü var. En yüksek skoru alan çeşidin bazı bölgelerde iklim verisi eksiktir, yani I bileşeni yüksektir. Bu unutulmamalıdır, çünkü skor bu eksikliği doğrudan cezalandırmaz. Kooperatif, veri eksikliği yüksek olan bölgelerde bir sezon daha gözlem yapmadan tavsiyeyi geniş ölçekte yaymamaya karar vermiştir.
Raporda: "Kuraklık toleransındaki tutarlı kanıtla bir çeşit en yüksek değerlendirme puanına ulaşmaktadır; bu çeşidin bazı bölgelerdeki veri eksikliği (bilinmeyen payı yüksek) skora doğrudan yansımamıştır ve ayrı olarak izlenmelidir."
3. Yapılmaması Gereken
Birinci yanlış, öğretici örnekteki T-I-F üçlülerini baştan (T−F+1)/2 skoruna indirip kesin CODAS koşturmaktır. Sıra aynı (A3, A1, A2) çıkar, ama puanlar 0,3632/0,1020/-0,4652'den 0,1456/-0,3334/0,1878'e taşınır. Aralarındaki göreli açıklık bozulur ve A1 ile A3 arasındaki fark yapay biçimde küçülür. İkinci yanlış, tarım örneğindeki gibi yüksek I (veri eksikliği) taşıyan bir çeşidin puanını, düşük I taşıyan aynı puanlı bir çeşitle aynı güvenle raporlamaktır. I bileşeni ayrıca kontrol edilmelidir. Üçüncü yanlış, üç bileşenin toplamını 1'e zorlayıp "böylece daha tutarlı" diye sunmaktır. Bu, nötrosofik yapıyı kesin veriye indirger ve I'nın bağımsız bilgi taşımasını engeller.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/n-codas
Keshavarz Ghorabaee, M., Zavadskas, E. K., Turskis, Z., & Antucheviciene, J. (2016). A new combinative distance-based assessment (CODAS) method for multi-criteria decision-making. Economic Computation and Economic Cybernetics Studies and Research, 50(3), 25–44. (DOI yok; Crossref'te kayıtlı değildir. Bkz. CODAS temel kartının kaynaklar bölümü.)
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)
Sahmutoglu, I., Taskin, A., & Ayyildiz, E. (2023). Assembly area risk assessment methodology for post-flood evacuation by integrated neutrosophic AHP-CODAS. Natural Hazards, 116, 1071–1103. DOI: 10.1007/s11069-022-05712-1