Uzantı kartı · Nötrosofik
Nötrosofik RAWEC
Nötrosofik RAWEC, kriter puanları doğruluk, belirsizlik ve yanlışlık dereceleriyle verildiğinde kullanılan RAWEC biçimidir. Her üçlüyü tek bir skora indirir, sonra RAWEC'in iyiye yakınlık ve kötüden uzaklık mantığını bu skor üzerinde çalıştırır.
Temel yöntem
RAWEC →
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?
İki şey değişir. RAWEC'in çift yönlü sapma mantığı aynen kalır.
Hücreler. Kesin RAWEC'te her hücre tek sayıdır. Burada her hücre üç dereceden oluşur: doğruluk (T), belirsizlik (I) ve yanlışlık (F). Kriter ağırlıkları kesin sayı olarak dışarıdan gelir. Nötrosofik RAWEC kendi ağırlığını üretmez.
Skor fonksiyonu ve normalizasyon. RAWEC'in geri kalan tüm adımları kesin sayılar üzerinde çalışır. Bu yüzden yöntem önce her üçlüyü tek bir skora indirir. DecisionMind burada T, I ve F'nin üçünü birden kullanan bir formül uygular. Bu formülde belirsizlik iki kat ağırlıkla cezalandırılır. Skor çıktıktan sonra kesin RAWEC'teki gibi hem en iyiye hem en kötüye göre çift normalizasyon yapılır.
Bu, önemli bir noktayı gösterir. Belirsizlik, Fuzzy RAWEC'teki gibi hesabın sonuna kadar üç ayrı sayı olarak taşınmaz. Doğruluk, belirsizlik ve yanlışlık daha ilk adımda tek bir skora karışır. Yöntemin geri kalanı, bu tek skor üzerinde kesin RAWEC'in aynısıdır.
Sonuç. Q endeksi kesin RAWEC'teki gibi -1 ile 1 arasında tek bir sayıdır.
DecisionMind bu uzantıda skor formülünü ve ardından gelen çift normalizasyonu sabit tutar. Ağırlık dışarıdan kesin sayı olarak gelir.
Çıktı Nasıl Yorumlanır?
Q endeksinin okunuşu kesin RAWEC'le aynıdır. Pozitif bir değer seçeneğin iyi tarafta olduğunu gösterir. Bkz. RAWEC kartı.
Fark şurada: Q artık üç ayrı kanıt kaynağından (lehte, aleyhte, bilinmeyen) gelen bir skorun üzerine kuruludur. İki seçeneğin skoru aynı çıksa bile altındaki lehte-aleyhte-bilinmeyen dağılımı çok farklı olabilir. Rapor bu farkı gizlememelidir.
Bu nedenle:
"Nötrosofik RAWEC endeksi A alternatifini birinci sıraya koydu"
yerine:
"A alternatifi, doğruluk, belirsizlik ve yanlışlık derecelerinden türetilen skorla en yüksek Q endeksini almıştır. Bu skor, altındaki kanıtın ne kadar lehte, ne kadar aleyhte ve ne kadar bilinmeyen olduğunu tek başına göstermez"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Bir kriter hakkındaki bilgi eksik, tutarsız ya da çelişkiliyse ve bu durumun karar için önemli olduğu düşünülüyorsa Nötrosofik RAWEC tercih edilir. Ölçülmüş bir değeri gerekçesiz biçimde doğruluk-belirsizlik-yanlışlık üçlüsüne açmak bilgi katmaz. Nötrosofik veri türü kartı bu ayrımı ayrıntılı anlatır.
DecisionMind tek tür veri ister. Tablo hem ölçülmüş hem nötrosofik kriter içeriyorsa ölçülmüş kriter de üçlü olarak yazılır, ama belirsizlik ve yanlışlık payı sıfıra yakın tutulur. Kesin RAWEC'in çıkış koşulu burada da geçerlidir: bir kriterde taviz kabul edilmiyorsa bu uzantı da telafi edici olduğu için uygun değildir.
Bu Uzantıya Özgü Hatalar
Üç bileşenin toplamını 1'e zorlamak. Doğruluk, belirsizlik ve yanlışlık bağımsız kaynaklardan gelir. Toplamları 1'i aşabilir, bu doğaldır ve bir hata değildir.
Belirsizliği doğruluk ve yanlışlıktan türetmek. Belirsizlik kendi kanıt kaynağından gelmelidir, 1 eksi doğruluk eksi yanlışlık olarak hesaplanmamalıdır.
Skor fonksiyonunu değiştirip fark etmemek. Bazı kaynaklar yalnız doğruluk ve yanlışlığı kullanan daha basit bir skor formülü önerir. DecisionMind burada belirsizliği de içeren bir formül kullanır ve bu seçim sonucu etkiler. Hangi formülün kullanıldığı raporda belirtilmelidir.
Ölçülmüş bir kriteri gerekçesiz genişletmek. Ölçülmüş bir değer, belirsizlik ve yanlışlık payı sıfıra yakın bir üçlü olarak kalmalıdır. Gerekçesiz bir üçlü uydurmak veri değil izlenim üretir.
Temel ilke şudur:
Nötrosofik RAWEC'teki her üçlü, aynı değerlendirme için ayrı bir kanıt kaynağına dayanmalıdır. Bir bileşen diğer ikisinden türetilirse yöntemin tek katkısı, yani çelişkiyi görünür tutmak, kaybolur.
Vakalar
Birinci vaka öğretici bir örnektir. Malzeme seçimi bağlamı yayımlanmış bir çalışmadan esinlenmiştir, ama hücre değerleri DecisionMind tarafından elle izlenebilir olacak biçimde kurulmuştur. Makalenin kendi tablosu değildir. İkinci vaka tamamen kurgudur.
1. Öğretici örnek: Mühendislik malzemesi seçimi (DecisionMind'ın doğrulama örneği)
Bir tasarım ekibi, bir hava aracı parçası için dört malzeme adayı arasından birini seçecektir. Altı kriter belirlenmiştir: dayanıklılık, ısıya dayanım ve sertlik çoğu iyi kriterlerdir. Bütçe, ağırlık ve deformasyon azı iyi kriterlerdir. Her kriter için doğruluk, belirsizlik ve yanlışlık dereceleri ayrı kaynaklardan (test raporları, üretici verisi, saha gözlemi) türetilmiştir.
| Malzeme | Dayanıklılık (T, I, F) | Bütçe (T, I, F) |
|---|---|---|
| A1 Karbon fiber polimer | (0,686; 0,326; 0,175) | (0,507; 0,372; 0,179) |
| A2 Kevlar | (0,599; 0,276; 0,311) | (0,719; 0,102; 0,342) |
| A3 Alüminyum alaşımı | (0,611; 0,319; 0,379) | (0,561; 0,357; 0,24) |
| A4 Titanyum alaşımı | (0,584; 0,142; 0,12) | (0,68; 0,209; 0,321) |
| Yön | çoğu iyi | azı iyi |
| Ağırlık | 0,213 | 0,113 |
Tabloda okunabilirlik için altı kriterden ikisi gösterildi, hesap tüm altı kriterle yapılmıştır. Yöntem önce her üçlüyü tek bir skora indirir. Sonra bu skorları kesin RAWEC'teki gibi çift yönlü normalize eder, ağırlıklı sapmaları toplar ve Q endeksini hesaplar.
| Malzeme | Q endeksi | Sıra |
|---|---|---|
| A4 Titanyum alaşımı | 0,421 | 1 |
| A1 Karbon fiber polimer | 0,010 | 2 |
| A2 Kevlar | -0,249 | 3 |
| A3 Alüminyum alaşımı | -0,292 | 4 |
Titanyum alaşımı birinci çıkar çünkü altı kriterin çoğunda güçlü bir skor taşır. Karbon fiber polimer sıfıra yakın bir endeksle ikinci sıradadır, bu da onun ne belirgin iyi ne belirgin kötü bir konumda olduğunu gösterir.
Ekibin tereddüdü şurada: ikinci ve üçüncü sıradaki Kevlar ile alüminyum alaşımının Q farkı yalnız 0,043'tür. Bütçe kriterinin ağırlığı 0,113'ten yaklaşık 0,135'e çıkarılıp bu fark deformasyon kriterinden alınırsa bu iki malzeme yer değiştirir. Bu bağımsız olarak hesaplanmıştır.
Raporda: "Titanyum alaşımı, altı kriterin doğruluk, belirsizlik ve yanlışlık derecelerinden türetilen skorla en yüksek Q endeksini almıştır. İkinci ve üçüncü sıradaki malzemeler arasındaki fark küçüktür ve bütçe kriterinin ağırlığı biraz artarsa bu sıra değişebilir."
Kaynak: Bu tablo DecisionMind'ın kendi doğrulama örneğidir. Malzeme seçimi bağlamı Mohamed, Salam ve Ye'nin 2024 makalesinden esinlenmiştir, ama o makale doğruluk-belirsizlik-yanlışlık üçlüsünü değil daha zengin bir üçgen nötrosofik biçim kullanır. Bu yüzden sayılar makalenin kendi tablosu değildir, öğretici amaçla DecisionMind tarafından kurulmuştur.
2. İtfaiye: Müdahale aracı seçimi
Bir itfaiye birimi, üç müdahale aracı teklifinden birini seçecektir. Üç kriter belirlenmiştir: müdahale hızı ve dayanıklılık çoğu iyi kriterlerdir, bakım maliyeti azı iyi bir kriterdir. Her kriter için doğruluk, belirsizlik ve yanlışlık dereceleri ayrı kaynaklardan gelir. Doğruluk saha testlerinden, yanlışlık arıza kayıtlarından, belirsizlik ise eksik ya da paylaşılmamış verilerden türetilmiştir.
| Teklif | Müdahale hızı (T, I, F) | Bakım maliyeti (T, I, F) | Dayanıklılık (T, I, F) |
|---|---|---|---|
| X | (0,75; 0,20; 0,15) | (0,55; 0,30; 0,35) | (0,65; 0,25; 0,20) |
| Y | (0,60; 0,35; 0,25) | (0,70; 0,15; 0,20) | (0,80; 0,10; 0,10) |
| Z | (0,50; 0,40; 0,30) | (0,40; 0,45; 0,45) | (0,55; 0,35; 0,30) |
| Yön | çoğu iyi | azı iyi | çoğu iyi |
| Ağırlık | 0,40 | 0,30 | 0,30 |
Yöntem üç üçlüyü skora indirir, çift yönlü normalize eder ve Q endeksini hesaplar.
| Teklif | Q endeksi | Sıra |
|---|---|---|
| X | 0,170 | 1 |
| Y | -0,156 | 2 |
| Z | -0,227 | 3 |
X teklifi birinci çıkar çünkü müdahale hızı ve dayanıklılıkta güçlü bir skor taşır. Z, bakım maliyeti kriterinde en iyi durumda olsa da diğer iki kriterde zayıftır.
Birimin tereddüdü şurada: bakım maliyeti kriterinin ağırlığı 0,30'dan yaklaşık 0,32'ye çıkarılırsa Y ile Z yer değiştirir. Ağırlık 0,50'ye çıkarılırsa Z birinci sıraya geçer ve X ikinci sıraya düşer. Bu bağımsız olarak hesaplanmıştır. Birim, uzun vadeli bütçe kısıtı varsa bakım maliyetine daha fazla ağırlık vermeyi tartışmalıdır.
Raporda: "X teklifi, verilen ağırlıklarla en yüksek Q endeksini almıştır. Bakım maliyetine verilen önem artırılırsa bu sıra değişebilir ve Z teklifi öne geçebilir."
3. Yapılmaması Gereken
Birinci vakadaki dayanıklılık kriterinde doğruluk ve yanlışlık verildikten sonra belirsizlik 1 eksi doğruluk eksi yanlışlık olarak hesaplansaydı, belirsizlik kendi kanıt kaynağını kaybederdi. Yöntemin asıl katkısı, çelişkiyi görünür tutmak, o zaman ortadan kalkardı. İkinci yanlış, ikinci vakadaki bakım maliyeti kriterini yanlışlıkla çoğu iyi işaretlemektir. Bu durumda en pahalı teklif haksız yere avantajlı çıkar. Üçüncü yanlış, X teklifinin 0,170'lik endeksini yüzde 17 başarı gibi okumaktır. Endeks yalnız bu üç teklibi birbirine göre sıralar, mutlak bir başarı düzeyi göstermez.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/n-rawec
Puška, A., Štilić, A., Pamučar, D., Božanić, D., & Nedeljković, M. (2024). Introducing a Novel multi-criteria Ranking of Alternatives with Weights of Criterion (RAWEC) model. MethodsX, 12, 102628. DOI: 10.1016/j.mex.2024.102628
Mohamed, M., Salam, A., & Ye, J. (2024). Selection of Sustainable Material for the Construction of Drone Aerodynamic Wing using Neutrosophic RAWEC. Systems Assessment and Engineering Management, 1, 54–72. DOI: 10.61356/j.saem.2024.1295
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)