Uzantı kartı · Nötrosofik
Nötrosofik WPM (Ye, 2014)
N-WPM, kriter değerlendirmelerinin doğruluk (T), belirsizlik (I) ve yanlışlık (F) derecesiyle ifade edildiği durumlarda kullanılan WPM biçimidir. Kriterler nötrosofik ağırlıklı geometrik toplulaştırma operatörüyle (SVNWG) birleştirilir ve en son adımda, belirsizliği çift ağırlıklı sayan tek bir skora indirilir.
Temel yöntem
WPM →
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; çarpımsal mantık ve durulaştırmanın en sonda olması değişmez.
Hücreler. Kesin WPM'de her hücre tek, kesinlikle pozitif bir sayıdır. Burada her hücre üç bağımsız bileşenden oluşur: doğruluk (T), belirsizlik (I) ve yanlışlık (F). Üçü de 0-1 aralığındadır ve toplamları 0 ile 3 arasında herhangi bir değer olabilir. Kriter ağırlıkları kesin (crisp) sayı olarak dışarıdan alınır.
Yön işleme (maliyet kriterleri). Maliyet kriterinde her üçlü kendi tamlayanına çevrilir; (T, I, F) yerine (F, 1−I, T) yazılır. Burada yalnız T ile F yer değiştirmez, I de kendi tamlayanına (1−I) döner. Bu, sezgisel bulanık uzantının basit (μ, ν) → (ν, μ) tamlayanından farklıdır; üçüncü bileşenin varlığı tamlama kuralını da üçe çıkarır.
Toplulaştırma ve durulaştırma. Kriterler nötrosofik ağırlıklı geometrik toplulaştırma operatörüyle (SVNWG, Ye 2014) birleşir. Birleşik doğruluk Π T_j^{w_j} olarak hesaplanır; bu çarpımsaldır, yani bir kriterdeki zayıf T bütünü aşağı çeker. Birleşik belirsizlik 1 − Π(1 − I_j)^{w_j}, birleşik yanlışlık ise 1 − Π(1 − F_j)^{w_j} olarak hesaplanır; ikisi de olasılıksal toplam biçimindedir, yani bir kriterdeki yüksek I ya da F, ağırlığı oranında bütünü yukarı çeker. T'nin çarpımsal, I ile F'nin toplamsal benzeri davranması, WPM'nin zayıf kriteri affetmeyen karakterinin doğruluk bileşeninde korunduğu, belirsizlik ve yanlışlığın ise biriktiği anlamına gelir.
Durulaştırma en son adımda olur. DecisionMind burada belirsizliği iki kat ağırlıklandıran bir skor kullanır: s = (1 + T − 2I − F) / 2. Bu, yalnız doğruluk eksi yanlışlık (T − F) okumasından farklıdır. Aynı T ve F değerine sahip iki seçenekten belirsizliği (I) daha yüksek olan, skorda daha ağır cezalandırılır. Eşitlik durumunda ikinci bir ölçüt devreye girer: doğruluk fonksiyonu a = T − F sıralamayı ayırt eder.
DecisionMind bu uzantıda üç şeyi sabit tutar. Toplulaştırma kuralı olarak SVNWG operatörünü (Ye 2014), durulaştırma kuralı olarak s = (1 + T − 2I − F) / 2 skor fonksiyonunu, eşitlik bozucu olarak da a = T − F doğruluk fonksiyonunu kullanır. Ağırlıklar dışarıdan alınır; yöntem ağırlık üretmez, grup kararını desteklemez.
Çıktı Nasıl Yorumlanır?
Kesin WPM'deki gibi skor yalnız bu seçenek kümesi içinde bir sıralamadır. Birim bağımsızlık avantajı burada geçerli değildir, çünkü kriterler artık ölçülmüş büyüklükler değil, doğruluk, belirsizlik ve yanlışlık dereceleridir.
Fark şurada. Yüksek bir T tek başına yüksek bir skor garantilemez. Bir seçeneğin doğruluğu yüksek olsa da bu doğruluğun dayandığı bilgi eksik ya da çelişkiliyse, yani I yüksekse, skor bunu görmezden gelmez ve iki katı ağırlıkla düşürür. Bu yüzden raporda yalnız birleşik skor değil, o skoru oluşturan T, I, F bileşenlerinin ayrı ayrı ne söylediği de gösterilmelidir.
Bu nedenle:
"A3'ün doğruluğu en yüksek olduğu için A3 en iyi seçenektir"
yerine:
"A3'ün birleşik doğruluğu en yüksektir; skor bu doğruluğu, ona eşlik eden belirsizlik ve yanlışlık payını da (belirsizlik iki kat ağırlıkla) hesaba katarak indirger, bu yüzden A3'ün üstünlüğü yalnız T'ye değil s'nin tamamına bakılarak okunmalıdır"
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 kullanılır. Örnekler: geçmiş verisi olmayan seçenekler, çelişkili uzman görüşleri, kısmen gözlemlenebilen sistemler. T + I + F'nin 1'e zorlanması ya da I'nın 1 − T − F olarak hesaplanması bu uzantının katkısını sıfırlar; nötrosofik veri türü kartındaki genel uyarı burada da geçerlidir.
Kesin yöntemin çıkış koşulu burada da geçerlidir. Bir kriterde herkesin aynı skoru aldığı durum, ölçek eşitlemesini ve toplulaştırmayı anlamsız hale getirebilir. T, I, F'nin her biri 0-1 aralığında olmalı ve T + I + F toplamı 3'ü aşmamalıdır.
Bu Uzantıya Özgü Hatalar
Belirsizliğin (I) skora iki kat girdiğini bilmemek. Aşağıdaki öğretici örnekte A1'in doğruluğu (0,604) A3'ten (0,668) düşük olsa da fark küçüktür. Asıl belirleyici, A1'in belirsizliğinin (0,295) A3'ten (0,261) yüksek olmasıdır; bu fark skora iki kat yansır.
T + I + F toplamını 1'e zorlamak. Nötrosofik bileşenler bağımsızdır; toplamı 1'e zorlamak yapının tek katkısını (çelişkili ya da eksik kanıtı ayrı taşımak) ortadan kaldırır.
Doğruluk fonksiyonunu (a = T − F) ana skor sanmak. DecisionMind'da a yalnız s eşit çıktığında devreye giren bir eşitlik bozucudur; ana sıralama ölçütü s'dir.
Maliyet kriterinde yalnız T ile F'yi değiştirip I'yı olduğu gibi bırakmak. Doğru tamlayan (T, I, F) → (F, 1−I, T) üçünü birden değiştirir; I'yı olduğu gibi bırakmak geçersiz bir toplulaştırmaya yol açar.
Temel ilke şudur:
N-WPM'de skor yalnız doğruluk eksi yanlışlık değildir; belirsizlik payı skora iki kat ağırlıkla girer, bu yüzden yüksek doğruluklu ama yüksek belirsizlikli bir seçenek göründüğünden daha zayıf çıkabilir.
Vakalar
Birinci vaka DecisionMind'ın doğrulama örneğidir. Manifest kaydı, N-WPM'nin literatürdeki (Ye, 2014) sayısal örneğinin motor havuzuna aktarılmadığını, bunun yerine F.steps'e dayanan kapalı form bir sentetik örnek kurulduğunu açıkça belirtir. İkinci vaka öğretici bir kurgudur.
1. Öğretici örnek (DecisionMind'ın doğrulama örneği): Üç tedarikçinin nötrosofik değerlendirilmesi
Bir firma üç tedarikçiyi (A1, A2, A3) üç kriterde değerlendiriyor. Her hücre doğruluk-belirsizlik-yanlışlık üçlüsüyle (T, I, F) ifade edilir; üçü de çoğu iyi kriterdir.
| Tedarikçi | Kriter 1 | Kriter 2 | Kriter 3 |
|---|---|---|---|
| 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) |
| Yön | çoğu iyi | çoğu iyi | çoğu iyi |
| Ağırlık | 0,40 | 0,30 | 0,30 |
Yöntem üç kriteri SVNWG ile birleştirir: birleşik T = Π T_j^{w_j}, birleşik I = 1 − Π(1 − I_j)^{w_j}, birleşik F = 1 − Π(1 − F_j)^{w_j}. Sonra s = (1 + T − 2I − F) / 2 skoruna iner.
| Tedarikçi | Birleşik (T; I; F) | Skor (s) | Sıra |
|---|---|---|---|
| A3 | (0,668; 0,261; 0,231) | 0,457 | 1 |
| A1 | (0,604; 0,295; 0,194) | 0,410 | 2 |
| A2 | (0,584; 0,271; 0,315) | 0,363 | 3 |
Sonucu şöyle okuyabiliriz. A3, en ağır kriter olan Kriter 1'de en yüksek doğruluğa ve en düşük belirsizliğe sahiptir; bu ikisi birlikte skorda açık bir üstünlük sağlar. A1 ile A3 arasındaki fark, A1'in doğruluğundan çok belirsizliğinin (0,295'e karşı 0,261) yüksek olmasından kaynaklanır.
Firmanın bir tereddüdü var. A3'ü öne çıkaran şey, en ağır kriter olan Kriter 1'deki üstünlüğüdür (0,80; 0,10; 0,20). Bu üçlü bir basamak geriye çekilip A2'ninkine yaklaşsaydı (0,70; 0,20; 0,20), A3'ün skoru 0,457'den 0,406'ya düşer ve A1 (0,410) birinciliği alır. Bunu Python ile yeniden hesaplayarak doğruladık; A3'ün liderliği, en ağır kriterdeki tek bir basamaklık üstünlüğe bağımlıdır.
Raporda: "A3 birleşik skorda öndedir (0,457). Ancak bu üstünlük, en ağır kriter olan Kriter 1'deki tek bir basamaklık farka dayanır; bu fark kapanırsa A1 birinciliği alır."
Kaynak: Bu vaka DecisionMind'ın N-WPM motorunun doğrulama örneğidir. Ye'nin (2014) makalesindeki sayısal örnek motor havuzuna aktarılmadığı için, F.steps'teki SVNWG ve skor iskeletini el hesabıyla izlenebilir kılmak amacıyla sentetik olarak kurduk (bkz. onay notları). Birleşik değerleri ve skorları Python ile bağımsız olarak yeniden hesapladık.
2. Sağlık: Bir hastane yönetiminin yeni tanı cihazı yatırımı
Bir hastane yönetimi, sınırlı bir sermaye bütçesini üç tanı cihazı modelinden (A1, A2, A3) birine ayıracaktır. Üç kriter kullanılır: tanı doğruluğu (klinik literatürden ve üretici verisinden derlenen kanıt), kullanım kolaylığı (personel geri bildirimi) ve bakım güvenilirliği (servis geçmişi kısıtlı olduğundan kanıt eksik ve çelişkili). Değerlendirme komitesi her cihaz için bu üç kriterde T, I, F derecesi vermiştir.
Yöntem üç kriteri SVNWG ile birleştirir, s skoruna iner. Diyelim ki en yüksek tanı doğruluğuna sahip cihaz, bakım güvenilirliğinde kanıtın en eksik ve en çelişkili olduğu cihazdır, yani I değeri en yüksek olandır. Bu yüzden bu cihaz birleşik skorda beklenenden geride kaldı. Orta düzeyde doğruluğa sahip ama bakım kanıtı daha tutarlı olan cihaz ise öne çıktı.
Yönetimin bir tereddüdü var. Bakım güvenilirliği kriterindeki belirsizlik, cihaz henüz yeni olduğu için düşük servis geçmişinden kaynaklanır; bu belirsizlik zamanla, daha fazla servis verisi biriktikçe, azalabilir. Yönetim kararını yalnız mevcut belirsizlikle değil, bir yıl sonra yeniden değerlendirme planıyla da desteklemelidir.
Raporda: "Mevcut kanıtla orta doğruluklu, bakım kanıtı daha tutarlı cihaz öndedir. En yüksek doğruluklu cihazın geride kalması, düşük servis geçmişinden kaynaklanan belirsizlikten dolayıdır; bu belirsizlik azaldıkça sonuç yeniden değerlendirilmelidir."
3. Yapılmaması Gereken
Birinci yanlış, öğretici örnekte belirsizlik (I) bileşenini hesaba katmayan basitleştirilmiş bir skor formülü kullanmaktır; örneğin ikiye bölünmeden ya da I'sız yalnızca T − F + 1 formülü. Bu formülle A3=0,718, A1=0,705, A2=0,635 gibi şişirilmiş sayılar çıkar; oysa gerçek skorlar 0,457 / 0,410 / 0,363'tür. Sıra bu örnekte tesadüfen aynı kalsa da bu sayılar DecisionMind'ın raporladığı sayılarla uyuşmaz ve belirsizliğin cezalandırılmadığı yanlış bir izlenim verir.
İkinci yanlış, eşitlik bozucu olan doğruluk fonksiyonunu (a = T − F) ana skor sanıp yalnız onu raporlamaktır. DecisionMind'da a yalnız s eşit çıktığında devreye girer.
Üçüncü yanlış, s skorunu (0,457 gibi 0-1 arası bir sayıyı) bir doğruluk yüzdesi ya da olasılık gibi okumaktır. Oysa s, T, I ve F'nin ağırlıklı bir bileşimidir, bir olasılık değildir.
Kaynaklar
Adımların formülleri ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/n-wpm
Miller, D. W., & Starr, M. K. (1969). Executive Decisions and Operations Research. Prentice-Hall. (DOI yok; kesin WPM'in temel kaynağı)
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
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)