Uzantı kartı · Nötrosofik
Nötrosofik MOORA
N-MOORA, kriter değerlendirmesi bir yargının doğruluk, belirsizlik ve yanlışlık derecelerinden bağımsız biçimde geldiğinde nötrosofik üçlülerle çalışan MOORA biçimidir. Üçlüyü tek bir skora indirip oran sistemine sokar.
Temel yöntem
MOORA →
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?
Hücreler. Kesin MOORA'da her hücre tek sayıdır. Burada her hücre üç bağımsız dereceden oluşur: doğruluk (T), belirsizlik (I), yanlışlık (F); üçü ayrı kaynaklardan gelir ve toplamları 1'i aşabilir. Kriter ağırlıkları DecisionMind'da kesin (tek) sayı olarak alınır; belirsizlik yalnız karar matrisinin hücrelerinde taşınır.
Ölçek eşitleme. Kesin MOORA doğrudan hücre değerini sütun büyüklüğüne böler. N-MOORA önce her hücrenin T-I-F üçlüsünü tek bir skora indirger: skor, doğruluktan belirsizliğin iki katının ve yanlışlığın çıkarılıp ikiye bölünmesiyle bulunur; belirsizlik payı skoru düşüren bir ceza gibi iki kat ağırlıkla girer. Bu skorlama, Fuzzy MOORA'nın son adımda ortalama alan durulaştırmasından farklıdır: burada durulaştırma ilk adımda yapılır ve hesabın geri kalanı kesin MOORA ile birebir aynı biçimde ilerler. Bu, IF-MOORA'nın destek-ret farkını ilk adımda skorlayıp devam etmesine benzer.
Skor ve oran sistemi. İlk adımda üretilen skor, kesin MOORA'daki gibi kendi sütun büyüklüğünün köküne bölünerek normalize edilir, ağırlıklandırılır ve "çoğu iyi" kriterlerdeki toplamdan "azı iyi" kriterlerdeki toplam çıkarılır.
Sonuç ve durulaştırma. Durulaştırma (T-I-F'nin tek skora inmesi) MOORA'nın ilk adımıdır, sonucun kendisi değil. Çıktı doğrudan tek bir net puan ve sıradır; DecisionMind isteğe bağlı bir referans noktası yaklaşımını da aynı skorlanmış matris üzerinden çapraz kontrol için hesaplar.
DecisionMind klasik N-MOORA'da skor fonksiyonu olarak (1 + T − 2I − F)/2'yi ve bu skorun ilk adımda hesaplanmasını sabit tutar; bu, tek-değerli nötrosofik kümeler için önerilmiş birkaç skor fonksiyonundan biridir ve başka bir skor fonksiyonu farklı bir sıra üretebilir.
Çıktı Nasıl Yorumlanır?
Çıktı kesin MOORA'daki gibi bir net puan ve sıradır; okunması da aynıdır. Fark şudur. Bu puan, üç bağımsız bilgi kaynağını, yani lehte kanıtı, bilinmeyen payı ve aleyhte kanıtı, tek bir sayıya sıkıştırır. İki seçenek aynı skora sahip olabilir; ama biri düşük belirsizlikle (T ve F net, I küçük), diğeri yüksek belirsizlikle (I büyük, T ve F daha az güvenilir) bu skora ulaşmış olabilir. Net puan bu farkı göstermez.
Bu nedenle:
"N-MOORA en güvenilir seçeneği buldu"
yerine:
"N-MOORA'ya göre en yüksek skora sahip seçenek şudur; bu skorun ne kadarının güçlü kanıttan, ne kadarının belirsizlik cezasından geldiği ayrıca incelenmelidir"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Kriter hakkındaki bilgi eksik, tutarsız ya da çelişkili ise ve bu durumun kararın kendisi için önemli olduğu düşünülüyorsa: geçmiş verisi olmayan alternatiflerin değerlendirilmesi, çelişkili kaynaklara dayanan uzman görüşleri, bilinmeyen payının açıkça ayrılması gereken erken aşama kararlar. Değerlendirme güvenilir bir ölçüme dayanıyorsa ya da uzmanlar ayrı bir belirsizlik payı bildirmiyorsa (yalnız destek/ret veriliyorsa) sezgisel bulanık uzantı yeterlidir, nötrosofiğe geçmek gerekmez. Çıkış koşulu kesin MOORA ile aynıdır: bir kriterde taviz kabul edilmiyorsa bu uzantı da telafi edicidir ve eşik altını elemez.
Bu Uzantıya Özgü Hatalar
T + I + F toplamını 1'e zorlamak. Bu, yapıyı "evet/çekimser/hayır" oranlarından oluşan bağımlı bir üçlüye indirger ve nötrosofik kullanmanın gerekçesini ortadan kaldırır; DecisionMind'ın manifest kontrolü yalnız her bileşenin [0,1] aralığında ve toplamın 0 ile 3 arasında olmasını ister, 1'e eşitlik istemez.
I'yı 1 − T − F olarak hesaplamak. Bu durumda belirsizlik ayrı bir bilgi taşımaz; N-MOORA'nın skor formülü I'yı iki kat ağırlıkla cezalandırdığı için, türetilmiş bir I ile gerçek bir I aynı sayısal etkiyi yaratsa da farklı bir bilgiyi (kaynaksız varsayım) temsil eder.
Skor fonksiyonunu değiştirip aynı kalıyormuş gibi raporlamak. DecisionMind'ın (1 + T − 2I − F)/2 skoru, literatürde önerilen birden fazla skor fonksiyonundan biridir; başka bir skor fonksiyonu (yalnız T − F gibi) farklı bir sıra verebilir ve hangisinin kullanıldığı raporda belirtilmelidir.
Sözel bir puanı ("iyi", "orta") kurala bağlı olmadan T-I-F üçlüsüne çevirmek. Her bileşen kendi kaynağından (lehte kanıt, bilinmeyen kayıt oranı, aleyhte kanıt) türetilmelidir; kelimeyi hissederek üçlüye açmak uydurma bir girdi üretir.
Temel ilke şudur:
N-MOORA'da durulaştırma ilk adımda, belirsizliği iki kat ağırlıkla cezalandıran bir skor fonksiyonuyla yapılır; bu skor fonksiyonu değiştirilirse ya da bileşenler bağımlı üretilirse yöntemin nötrosofik katkısı ortadan kalkar.
Vakalar
Birinci vaka DecisionMind'ın doğrulama örneğidir: nötrosofik MOORA için sentetik, el hesabıyla izlenebilsin diye kurulmuş 3×3 bir tablo; kitap ya da makale sayfasından alınmamıştır. İkinci vaka öğretici kurgudur.
1. Öğretici örnek: Bir melek yatırımcının üç erken aşama girişim arasında seçimi (DecisionMind'ın doğrulama örneği)
Bir melek yatırımcı üç erken aşama girişimi üç kriterde değerlendiriyor: büyüme potansiyeli, kurucu ekibin güvenilirliği ve pazar uyumu (üçü de "çoğu iyi"). Her kriter, "bu girişim bu kriteri karşılar" yargısının doğruluk (T), belirsizlik (I) ve yanlışlık (F) derecesi olarak, ayrı kaynaklardan (traction verisi, referans görüşmeleri, rakip analizi) türetilmiştir.
| Girişim | Büyüme potansiyeli (T,I,F) | Ekip güvenilirliği (T,I,F) | Pazar uyumu (T,I,F) |
|---|---|---|---|
| Girişim 1 | (0,70; 0,20; 0,10) | (0,60; 0,30; 0,20) | (0,50; 0,40; 0,30) |
| Girişim 2 | (0,50; 0,30; 0,40) | (0,70; 0,20; 0,20) | (0,60; 0,30; 0,30) |
| Girişim 3 | (0,80; 0,10; 0,20) | (0,50; 0,40; 0,30) | (0,70; 0,30; 0,20) |
| Yön | çoğu iyi | çoğu iyi | çoğu iyi |
| Ağırlık | 0,40 | 0,30 | 0,30 |
Yöntem her hücrenin skorunu (1 + T − 2I − F)/2 ile hesaplar, sütun büyüklüğüne göre normalize eder, ağırlıklandırır ve üç kriterin toplamını alır (üçü de "çoğu iyi" olduğu için çıkarılacak bir azı-iyi toplamı yoktur).
| Girişim | Net puan | Sıra |
|---|---|---|
| Girişim 3 | 0,601 | 1 |
| Girişim 1 | 0,520 | 2 |
| Girişim 2 | 0,511 | 3 |
Sonuç şöyle okunur. Girişim 3, büyüme potansiyelinde en yüksek doğruluk ve en düşük belirsizliğe sahip olduğu için (0,80; 0,10; 0,20), ekip güvenilirliğinde en zayıf olmasına rağmen birinci çıkıyor.
Yatırımcının tereddüdü şudur: büyüme potansiyeli ile ekip güvenilirliği ağırlıkları yer değiştirse, yani ekip güvenilirliği 0,40 ve büyüme potansiyeli 0,30 olsa, sıra değişiyor. Girişim 2 birinci çıkıyor (0,563), Girişim 3 ikinci sıraya düşüyor (0,556), Girişim 1 üçüncü kalıyor (0,513). Bu, liderin hangi kritere daha çok ağırlık verildiğine sıkı sıkıya bağlı olduğunu ve tek bir ağırlık kararının sonucu tersine çevirebileceğini gösteriyor.
Raporda: "Mevcut ağırlıklarla (büyüme potansiyeli 0,40) Girişim 3 en yüksek net puanla (0,601) birinci sıradadır; ekip güvenilirliği büyüme potansiyelinden daha önemli sayılırsa lider Girişim 2'ye değişmektedir, bu yüzden ağırlık kararı yatırım komitesine ayrıca sunulmalıdır."
Kaynak: DecisionMind'ın N-MOORA doğrulama örneği; sentetik, el hesabıyla izlenebilir 3×3 nötrosofik tablo, kitap ya da makale sayfasından alınmamıştır. Net puanlar ve duyarlılık değerleri bu kartın yazarınca Python ile bağımsız olarak hesaplanmış, DecisionMind manifestindeki iç denetim kaydıyla birebir (Girişim 3 > Girişim 1 > Girişim 2) doğrulanmıştır.
2. Spor: Bir kulübün üç transfer adayı arasında seçimi
Bir futbol kulübü sınırlı transfer bütçesiyle üç oyuncu adayından birine öncelik verecektir. Kriterler: sahadaki performans potansiyeli ve takım kimyasına uyum (ikisi de "çoğu iyi"). Kulübün scoutluk departmanı her aday için bu iki yargının doğruluk, belirsizlik ve yanlışlık derecesini ayrı kaynaklardan türetmiştir: doğruluk maç istatistiklerinden, yanlışlık sakatlık geçmişi ve olumsuz gözlemci raporlarından, belirsizlik ise adayın yeni bir ligden geliyor olması nedeniyle oluşan kısa gözlem süresinden.
Yöntem üç adayı skora indirger, ağırlıklandırır ve toplar. Diyelim ki en yüksek performans potansiyeli skoruna sahip aday aynı zamanda takım kimyasına uyumda en düşük doğruluğa (en yüksek belirsizliğe) sahiptir; performans ağırlığının yüksekliği sayesinde yine de birinci çıkıyor.
Kulübün tereddüdü şudur: birinci çıkan adayın takım kimyası yargısındaki belirsizlik payı (I) yüksektir, çünkü aday farklı bir lig kültüründen gelmektedir ve kulüp içi gözlem süresi kısadır. Skor formülü bu belirsizliği iki kat ağırlıkla cezalandırdığı için net puana zaten yansımıştır. Ama scoutluk departmanı bu belirsizliğin bir deneme süresiyle, örneğin kısa süreli kiralık ya da uzatılmış görüşme ile, azaltılıp azaltılamayacağını ayrıca değerlendirmelidir.
Raporda: "En yüksek performans potansiyeline sahip aday net puanla birinci sıradadır; takım kimyası uyumundaki belirsizlik payı yüksektir ve skor formülü bunu zaten cezalandırmıştır, ek bir gözlem dönemi bu belirsizliği azaltabilir."
3. Yapılmaması Gereken
Öğretici örnekteki Girişim 2'nin büyüme potansiyeli hücresini (0,50; 0,30; 0,40) yazarken toplamı 1'e eşitlemek için belirsizliği 0,10'a düşürüp (0,50; 0,10; 0,40) yapmak: bu, elde olmayan bir kesinliği varsaymaktır, T+I+F'nin 1'i aşabileceği gerçeğini görmezden gelir. İkinci yanlış, Girişim 1'in pazar uyumu belirsizliğini (I=0,40) doğrudan 1 − T − F = 1 − 0,50 − 0,30 = 0,20 olarak "yeniden hesaplamak"; bu, kendi kaynağından türetilmiş gerçek belirsizlik değerini (0,40) yok sayıp yapay bir sayı ile değiştirir. Üçüncü yanlış, ağırlık takasıyla liderin değiştiğini (Girişim 3'ten Girişim 2'ye) görmezden geçip "Girişim 3 açık ara birinci" diye raporlamaktır; bu sıralama tek bir ağırlık kararına bağlıdır ve rapor bunu söylemelidir.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/n-moora
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)
Brauers, W. K. M., & Zavadskas, E. K. (2006). The MOORA method and its application to privatization in a transition economy. Control and Cybernetics, 35(2), 445–469. (DOI yok)
Ye, J. (2014). A multicriteria decision-making method using aggregation operators for simplified neutrosophic sets. Journal of Intelligent & Fuzzy Systems, 26(5), 2459–2466. DOI: 10.3233/IFS-130916