Uzantı kartı · Nötrosofik
Nötrosofik DNMA
N-DNMA, kriter değerlendirmesi doğruluk, belirsizlik ve yanlışlık derecesiyle verildiğinde kullanılan DNMA biçimidir. Bu üç dereceye tek-değerli nötrosofik üçlü denir. Yöntem önce her hücreyi tek bir skora indirir, sonra bu skor üzerinde iki normalizasyonu ortalayarak tek bir toplulaştırma modeliyle sıralar.
Temel yöntem
DNMA →
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. Biri kesin DNMA'nın tanımlayıcı yapısını etkiler.
Hücreler. Kesin DNMA'da her hücre tek sayıdır. Burada her hücre üç bağımsız bileşenden oluşur: doğruluk (T), belirsizlik (I), yanlışlık (F). Her biri 0 ile 1 arasındadır ve toplamlarının 1 olması beklenmez. Kriter ağırlıkları kesin, yani tek sayı, kalır.
Ölçek eşitleme. Yöntem nötrosofik üçlüyü önce tek bir skor sayısına indirir. Bu skor doğruluğu artı, belirsizliğin iki katını eksi, yanlışlığı da eksi sayar. Kesin DNMA'nın üç ayrı toplulaştırma modeli (ağırlıklı toplam, ağırlıklı çarpım, ideale yakınlık) burada tek bir modele iner. Bu skor üzerinde iki normalizasyon hesaplanır: doğrusal min-max normalizasyonu ve vektör normalizasyonu. Her ikisi de yön bilgisini burada kullanır; fayda kriterinde büyük değer iyi, maliyet kriterinde küçük değer iyi sayılır.
Skor ve birleştirme. İki normalizasyon ortalanır ve tek bir tabloya iner. Bu tablo ağırlıklarla çarpılıp toplanır ve tek bir ara skor çıkar. Bu ara skor sonra en küçüğü sıfır, en büyüğü bir olacak biçimde yeniden ölçeklenir. Kesin DNMA'yı tanımlayan adım burada yoktur: üç ayrı toplulaştırma modelinin puan ve sıra tutarlılığını birlikte ödüllendiren birleşik skor formülü. N-DNMA yapısal olarak kesin DNMA'dan çok, çift normalizasyonlu ağırlıklı bir toplama yöntemine benzer.
Sonuç. Durulaştırma en başta, skor fonksiyonuyla olur. Çıktı, 0 ile 1 arasına yeniden ölçeklenmiş tek bir sayıdır. Büyük olan iyidir.
DecisionMind bu uzantıda skor fonksiyonunu ve iki normalizasyonun eşit ağırlıklı ortalamasını sabit tutar. Şunu ayrıca belirtmek gerekir: kesin DNMA'nın felsefi çekirdeği üç farklı toplulaştırma mantığının birbirini doğrulamasıdır. Bu çekirdek N-DNMA'da yoktur; manifest bu uzantıyı literatürde yayımlanmış bir kaynağı olmayan, DecisionMind'ın kendi iç uyarlaması olarak kaydeder. Bu fark bilimsel incelemeye açık bir bulgudur.
Çıktı Nasıl Yorumlanır?
Çıktı 0 ile 1 arasında tek bir sayı ve sıradır. Yüzde ya da olasılık değildir. Yalnız aynı üçlü girdilerle hesaplanan diğer seçeneklere göre bir sıra gösterir.
Fark şudur. Skor, doğruluk-belirsizlik-yanlışlık üçlüsünün tek bir skor fonksiyonuyla en başta eritilmiş hâlinden kurulur. İki seçeneğin skoru çok yakınsa, aradaki fark girdi verisindeki küçük bir belirsizlik farkından gelebilir; puanın kendisi bunu ayırt etmez.
Bu nedenle:
"N-DNMA skoruna göre A3 en iyi seçenektir"
yerine:
"A3, doğruluk-belirsizlik-yanlışlık üçlülerinin tek bir skor fonksiyonuyla birleştirilmesiyle en yüksek skoru almıştır (1,0). A1 ile A2 arasındaki fark (0,036) çok küçüktür ve Kriter 1'in ağırlığındaki ufak bir değişime duyarlıdır"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Bir kriter hakkındaki bilgi eksik, tutarsız ya da çelişkiliyse ve bu durum kararın kendisi için önemliyse bu uzantı uygundur. Geçmiş verisi olmayan alternatifleri değerlendirirken ya da çelişkili kaynaklara dayanan uzman görüşlerinde de kullanılır. Hangi durumun nötrosofik yapı gerektirdiğini Nötrosofik veri türü kartı anlatır.
Kesin DNMA'nın çıkış koşulu burada da geçerlidir. Bir kriterde taviz kabul edilmiyorsa bu uzantı uygun değildir.
Bu Uzantıya Özgü Hatalar
Değer alanı kısıtını ihlal etmek. T, I, F her biri 0 ile 1 arasında olmalı ve toplamları 3'ü aşmamalı. Bu ihlal edilirse skor fonksiyonu ve normalizasyon geçersiz sayı üretebilir.
Skor fonksiyonunu değiştirip belirtmemek. Kanonik seçim doğruluk artı bir eksi belirsizliğin iki katı eksi yanlışlık bölü ikidir. Farklı bir skor fonksiyonu farklı bir sıra üretebilir.
Bu uzantıda üç toplulaştırma modeli arıyor olmak. Kesin DNMA kartındaki "üç model birbirini doğrular" fikri burada yoktur. Buradaki N-DNMA çift normalizasyonlu tek bir modeldir. Bu ikisini karıştırmak, çıktıyı olduğundan daha güçlü bir güvenceymiş gibi sunmak olur.
Bir kriter sütununun tüm seçeneklerde aynı skoru vermesi. Bu durumda doğrusal min-max normalizasyonu tanımsızlaşır; bu payda sıfıra bölmeye yaklaşır. Böyle bir kriter gözden geçirilmelidir.
Temel ilke şudur:
N-DNMA'da durulaştırma en başta, skor fonksiyonuyla olur ve sonraki adımlar çift normalizasyonlu tek bir modeldir. Kesin DNMA'nın üç-model güvencesi bu uzantıya taşınmaz; bu, raporda açıkça belirtilmelidir.
Vakalar
Birinci vaka DecisionMind'ın doğrulama fikstürüdür. N-DNMA'ya ait, sayfa numarasıyla izlenebilir yayımlanmış bir örnek literatürde yoktur; manifest de bunu açıkça kaydeder. Bunun yerine manifestin adımlarına sadık, üç seçenekli, üç kriterli bir sentetik nötrosofik matris kurulmuştur. Motorun adımları bağımsız olarak Python'da yeniden hesaplanmıştır. İkinci vaka öğretici bir kurgudur.
1. Öğretici örnek: Üç seçeneğin üç kriterde nötrosofik puanlanması
Üç seçenek üç fayda kriterinde değerlendiriliyor. Her hücre bir doğruluk-belirsizlik-yanlışlık üçlüsü taşıyor.
| Seçenek | Kriter 1 (T,I,F) | Kriter 2 (T,I,F) | Kriter 3 (T,I,F) |
|---|---|---|---|
| A1 | (0,70; 0,20; 0,10) | (0,60; 0,30; 0,20) | (0,50; 0,40; 0,30) |
| A2 | (0,50; 0,30; 0,40) | (0,70; 0,20; 0,20) | (0,60; 0,30; 0,30) |
| A3 | (0,80; 0,10; 0,20) | (0,50; 0,40; 0,30) | (0,70; 0,30; 0,20) |
| Ağırlık | 0,40 | 0,30 | 0,30 |
| Yön | çoğu iyi | çoğu iyi | çoğu iyi |
Yöntem her üçlüyü tek bir skora indirir. Bu skoru doğrusal min-max ve vektör normalizasyonuyla ayrı ayrı eşitler, ikisini ortalar, ağırlıklı toplamı alır ve sonucu 0 ile 1 arasına yeniden ölçekler.
| Seçenek | N-DNMA skoru | Sıra |
|---|---|---|
| A3 | 1,000 | 1 |
| A1 | 0,036 | 2 |
| A2 | 0,000 | 3 |
Sonuç şöyle okunur. A3, en ağır kriter olan Kriter 1'de en yüksek doğruluğa (0,80) ve en düşük belirsizliğe (0,10) sahiptir; bu üstünlük son skorda açık farka dönüşür. A1 ile A2 arasındaki fark ise neredeyse yok denecek kadar küçüktür, yalnızca 0,036. A1 Kriter 1'de daha güçlü, A2 Kriter 2'de daha güçlüdür ve bu iki güç ham skor düzeyinde birbirine çok yakın çıkar.
Bu yakınlık kırılgandır. Kriter 1'in ağırlığı 0,40'tan 0,395'e, yani binde beşlik bir değişimle, düşürülüp Kriter 2 ve 3'e eşit paylaştırılırsa A1 ile A2'nin sırası tersine döner. A2 öne geçer. A3 her durumda birincidir. Bu, ikinci ile üçüncü sıra arasındaki farkın ağırlığa karşı son derece kırılgan olduğunu gösterir; A3'ün liderliği ise sağlamdır.
Raporda: "Doğruluk-belirsizlik-yanlışlık üçlüleri tek bir skora indirilip iki normalizasyonla eşitlenmiştir. A3, 1,0 ile açık farkla birincidir. A1 ve A2 arasındaki ikinci-üçüncü sıra ise Kriter 1'in ağırlığındaki binde beşlik bir değişime bile duyarlıdır ve pratikte kararsız kabul edilmelidir."
Kaynak: DecisionMind'ın N-DNMA doğrulama fikstürü. Manifest, bu nötrosofik uzantıya karşılık gelen yayımlanmış bir makale bulunmadığını ve bunun DecisionMind'ın kendi iç uyarlaması olduğunu kaydeder. Bu tablo ve sayılar bir makale sayfasından alınmamıştır. Motorun adımları bu kart için bağımsız olarak Python'da yeniden hesaplanmış ve DecisionMind'ın kayıtlı sırasıyla (A3, A1, A2) ve skorlarıyla (A1: 0,0359; A2: 0,0; A3: 1,0) birebir örtüştüğü doğrulanmıştır.
2. Kütüphanecilik: Bir üniversite kütüphanesinin dijital arşiv sistemi seçimi
Bir üniversite kütüphanesi, tez ve süreli yayın arşivini dijitalleştirmek için üç sistem teklifi arasında seçim yapacak. Kriterler arama performansı ve uzun vadeli veri koruma garantisi, ikisi de "çoğu iyi". Üç tedarikçiden ikisi Türkiye'deki üniversite kütüphanelerinde henüz kullanılmıyor; kütüphane bu yüzden her kriteri bir doğruluk-belirsizlik-yanlışlık üçlüsüyle değerlendiriyor. Tedarikçi referansları ve demo testleri lehte kanıt (T) sayılıyor, benzer ölçekte kurulum örneği azlığı belirsizlik (I) olarak, varsa bilinen veri kaybı vakaları aleyhte kanıt (F) olarak ayrı toplanıyor.
Yöntem üç teklifi skorlar ve sıralar. Diyelim ki sonuç şöyle çıktı: arama performansı en yüksek ama kurulum örneği en az olan sistem birinci sıraya geldi. Veri koruma garantisi en güçlü belgelenen sistem ikinci sırada kaldı.
Kütüphanenin tereddüdü şu. Birinci sıradaki sistemin belirsizlik bileşeni yüksektir, çünkü benzer ölçekte kurulum örneği azdır. Kütüphane bu sistemi seçmeden önce en az bir referans kurulumu yerinde ziyaret edip belirsizliği azaltmayı düşünüyor.
Raporda: "Sistemler doğruluk-belirsizlik-yanlışlık üçlüleriyle değerlendirilmiştir. Birinci sistem arama performansı nedeniyle önde çıkmıştır; kurulum örneği azlığından gelen belirsizlik nedeniyle yerinde referans ziyareti önerilir."
3. Yapılmaması Gereken
Öğretici örnekte her üçlünün yalnız T bileşenini alıp kesin DNMA'ya sokmak, I ve F'yi hiç kullanmamak birinci yanlıştır; bu, belirsizlik bilgisini tamamen atar. İkinci yanlış, A1 ile A2 arasındaki 0,036'lık farkı "A1 açık farkla önde" diye sunmaktır; bu fark, gösterildiği gibi binde beşlik bir ağırlık değişimiyle bile tersine dönebilecek kadar küçüktür. Üçüncü yanlış, N-DNMA'yı kesin DNMA'nın üç-model güvencesine sahipmiş gibi anlatmaktır; burada tek bir çift-normalizasyonlu model vardır, üç ayrı toplulaştırma mantığı yoktur.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/n-dnma
Liao, H., & Wu, X. (2020). DNMA: A double normalization-based multiple aggregation method for multi-expert multi-criteria decision making. Omega, 94, 102058. DOI: 10.1016/j.omega.2019.04.001
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)
Ye, J. (2013). Multicriteria decision-making method using the correlation coefficient under single-valued neutrosophic environment. International Journal of General Systems, 42(4), 386–394. DOI: 10.1080/03081079.2012.761609