Uzantı kartı · Plitojenik
Plitojenik ARAS
Plitojenik ARAS, kriter değerlendirmesi doğruluk, belirsizlik ve yanlışlık dereceleriyle verildiğinde ve bu değerlendirmenin kendi içinde ne kadar çelişkili olduğu ayrıca bilindiğinde kullanılan ARAS biçimidir. Çelişki payını hesaba önceden katar, sonra toplamsal fayda oranını hesaplar.
Temel yöntem
ARAS →
Felsefe, işleyiş, güçlü ve zayıf yanlar temel yöntem kartında; bu kart yalnız farkı anlatır.
Veri türü (aile)
Plitojenik (Plithogenic) →
Bu veri türü nedir, ne zaman kullanılır, hücreye nasıl yazılır: ailenin ayrıntılı anlatımı burada.
Temel Yöntemden Ne Değişir?
Beş şey değişir; karar mantığı değişmez.
Hücreler. Kesin ARAS'ta her hücre tek bir sayıdır. Burada her hücre üç dereceden oluşur: doğruluk, belirsizlik ve yanlışlık. Bu üçlü nötrosofik ARAS'takiyle aynı görünür, ama plitojenik yapıda her kritere ayrıca bir çelişki derecesi eklenir. Çelişki derecesi, o kriterin karar problemi için "baskın özellikten" ne kadar uzak durduğunu gösteren, önceden belirlenmiş bir sayıdır ve hücreden hücreye değil, kriterden kritere değişir.
Çelişki ayarlaması. Bu, plitojenik yapıya özgü ve diğer ARAS üyelerinde bulunmayan bir adımdır. Her hücre, hesaba girmeden önce kendi kriterinin çelişki derecesiyle düzeltilir: doğruluk derecesi çelişki payı kadar yukarı çekilir, belirsizlik ve yanlışlık aynı oranda aşağı çekilir. Çelişki derecesi sıfırsa (kriter baskın özellikle tam uyumluysa) hücre değişmeden kalır; çelişki derecesi yükseldikçe hücrenin doğruluğu daha da güçlenir. Bu adım, nötrosofik ARAS'ta yoktur ve plitojenik yapının tek yeni katkısıdır.
Ölçek eşitleme. Kesin ARAS'ta maliyet kriteri tersine çevrilip (1/x) sütun toplamına bölünür. Burada maliyet kriterinde tersine çevirme bir tümleyen almaktır: doğruluk ile yanlışlık yer değiştirir. Çelişki ayarlamasından sonra her hücre önce bir skora indirilir (nötrosofik ARAS'taki gibi doğruluk artı, belirsizliğin iki katı ve yanlışlık eksi), sonra bu skorlar sütun toplamına (optimal alternatif satırı dahil) oranlanır.
Ağırlıklama ve toplam. Yöntem, çelişki ayarlanmış T-I-F hücrelerini kriter ağırlığıyla plitojenik toplama kuralıyla (nötrosofik ağırlıklı toplamın aynısı) birleştirir ve her satırın (optimal alternatif dahil) kriterler boyunca toplamını alır.
Sonuç ve durulaştırma. Her satırın toplamı, doğruluk artı belirsizliğin iki katı ve yanlışlık eksi biçimindeki aynı skor fonksiyonuyla tek sayıya iner. Fayda derecesi K, kesin ARAS'taki tanımla aynı anlama gelir: gerçek alternatifin skorunun optimal alternatifin skoruna oranıdır. DecisionMind çelişki ayarlamasını normalizasyondan önce, tek seferde uygular; hücreler hiçbir aşamada doğrudan sıralanmaz, sıralama yalnız K üzerinde yapılır.
Çıktı Nasıl Yorumlanır?
Fayda derecesi K burada da aynı anlama gelir. En iyi seçenek 100 kabul edilir, diğerleri ona göre bir yüzde alır; bu yüzde yalnız bu seçenek kümesi ve bu ağırlıklar için geçerlidir. Fark şurada: K'nın altında hem üç dereceli bir yargı hem de kriterin kendi çelişki payı vardır. Çelişki derecesi yüksek bir kriterdeki güçlü doğruluk, çelişki derecesi sıfır bir kriterdeki aynı doğrulukla aynı ağırlıkta değildir; çelişki ayarlaması bu farkı önceden büyütür.
Bu nedenle:
"Plitojenik ARAS'a göre A2 en iyi seçenektir"
yerine:
"Verilen ağırlıklarla (0,40; 0,35; 0,25) A2 en yüksek fayda derecesine sahiptir (K=0,968); ağırlık birinci kritere yoğunlaştırıldığında (0,70; 0,15; 0,15) A1 ile A3 yer değiştirmekte, ama A2 birinciliğini korumaktadır, dolayısıyla A2'nin üstünlüğü sağlam, ikinci ve üçüncü sıra ise ağırlığa duyarlıdır"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Bir kriterin karar problemiyle ne kadar uyumlu ya da çelişkili olduğu önceden biliniyorsa ve bu bilgi değerlendirmeye katılmak isteniyorsa bu yöntem uygundur. Örnekler: bazı kriterlerin karar probleminin "ana özelliğinden" (dominant feature) uzak, tamamlayıcı nitelikte olduğu çok boyutlu değerlendirmeler; bir kriterin diğerleriyle ne kadar örtüştüğü ayrıca ölçülen uzman panelleri.
Çelişki derecesi hakkında bir bilgi yoksa ya da tüm kriterler eşit derecede "ana özellik" sayılıyorsa, plitojenik yapıya geçmenin bir katkısı olmaz; bu durumda nötrosofik ARAS yeterlidir. Kesin ARAS'ın çıkış koşulu burada da geçerlidir: bir kriterde taviz kabul edilmiyorsa bu uzantı da tam telafi edicidir, eşik altını elemez.
Bu Uzantıya Özgü Hatalar
Değer uzayı ihlali. Manifestin kendi uyarısı budur: her özellik değeri, kendi aidiyet ve çelişki dereceleriyle birlikte tanımlanmalıdır; çelişki derecesi hesap dışında, gerekçesiz bir sayı olarak eklenmemelidir.
Çelişki derecesini hücreden hücreye değiştirmek. Çelişki derecesi kriterin kendi özelliğidir, alternatife göre değişmez. Aynı kriterde alternatiften alternatife farklı çelişki payı uygulamak, karşılaştırmayı bozar.
Çelişki ayarlamasını normalizasyondan sonra yapmak. DecisionMind bu ayarlamayı önce uygular. Sırayı tersine çevirmek, çelişki payının sütun toplamına farklı biçimde karışmasına yol açar ve sonuçlar kaynak formülden sapar.
"Daha kapsamlı görünsün" diye çelişki derecesini gerekçesiz vermek. Sıfırdan farklı bir çelişki derecesi, kriterin karar problemiyle neden tam örtüşmediğine dair bir gerekçeye dayanmalıdır; gerekçesiz verilirse uydurma bilgi katar.
Temel ilke şudur:
Plitojenik ARAS, bir kriterin karar problemiyle ne kadar uyumlu olduğu bilgisini hesaba önceden katmak içindir; bu bilgiyi alternatife göre değiştiren ya da gerekçesiz uygulayan her kullanım, çelişki ayarlamasının tek katkısını bozar.
Vakalar
Birinci vaka DecisionMind'ın doğrulama örneğidir. Smarandache'nin (2018) kurucu kitabı plitojenik cebrin işlemlerini (Denklem 26, 44, 45) tanımlar ama bir karar tablosu örneği vermez; bu nedenle DecisionMind'ın 2026-05-25 protokolü gereği küçük, el ile izlenebilir bir tablo üretilmiştir. İkinci vaka öğretici kurgudur.
1. Öğretici örnek: Üç aday, üç kriter (DecisionMind doğrulama örneği)
Bir değerlendirme kurulu üç adayı üç kriterde puanlıyor; birinci ve ikinci kriter çoğu iyi, üçüncü kriter azı iyi. Her puan doğruluk, belirsizlik ve yanlışlık dereceleriyle verilmiştir. Kurul üç kritere sırasıyla 0,40, 0,35, 0,25 ağırlık vermiştir. Birinci kriterin çelişki derecesi 0 (tam uyumlu), ikincisi 1/3, üçüncüsü 2/3'tür (karar problemiyle daha uzak bir özellik).
| Aday | K1 (çelişki 0) | K2 (çelişki 1/3) | K3, azı iyi (çelişki 2/3) |
|---|---|---|---|
| A1 | T=0,7 I=0,2 F=0,1 | T=0,5 I=0,3 F=0,2 | T=0,6 I=0,3 F=0,2 |
| A2 | T=0,8 I=0,1 F=0,1 | T=0,6 I=0,2 F=0,2 | T=0,4 I=0,2 F=0,3 |
| A3 | T=0,6 I=0,2 F=0,2 | T=0,7 I=0,2 F=0,1 | T=0,5 I=0,3 F=0,2 |
| Ağırlık | 0,40 | 0,35 | 0,25 |
Yöntem üçüncü kriterde tümleyeni alır, sonra her hücreyi kendi kriterinin çelişki derecesiyle düzeltir, çelişki ayarlanmış hücreleri skorlayıp sütun toplamına (optimal alternatif dahil) oranlar, ağırlıklarla çarpıp toplar.
| Aday | Fayda derecesi (K) | Sıra |
|---|---|---|
| A2 | 0,968 | 1 |
| A3 | 0,864 | 2 |
| A1 | 0,820 | 3 |
Sonuç şöyle okunur. A2 en ağır kriter olan K1'de (çelişki derecesi sıfır, yani düzeltmesiz en yüksek doğruluk) en iyisidir ve bu üstünlüğü hiçbir çelişki ayarlamasından etkilenmez. A3, çelişki derecesi 1/3 olan K2'de en iyi olmasına rağmen K1'deki zayıflığı yüzünden ikinci sıradadır. A1 hiçbir kriterde en iyi değildir ve sonuncudur.
Kurulun bir tereddüdü var. Ağırlık birinci kritere daha da yoğunlaştırılıp (0,70; 0,15; 0,15) yeniden hesaplandığında, fayda dereceleri A2 için 0,987, A1 için 0,816, A3 için 0,771 çıkar (bağımsız Python ile aynı algoritma koşturularak hesaplandı). A2 birinciliğini korur, ama A1 ile A3 yer değiştirir. Bu, A2'nin birinciliğinin sağlam, ikinci ve üçüncü sıranın ise ağırlık dağılımına duyarlı olduğunu gösterir.
Raporda: "Verilen ağırlıklarla (0,40; 0,35; 0,25) A2 en yüksek fayda derecesine sahiptir (K=0,968); ağırlık birinci kritere yoğunlaştırıldığında (0,70; 0,15; 0,15) A2 birinciliğini korumakta, ancak A1 ile A3 yer değiştirmektedir. Bu nedenle yalnız birincilik değil, ikinci ve üçüncü sıra da ağırlık dağılımıyla birlikte raporlanmalıdır."
Kaynak: DecisionMind'ın Plitojenik ARAS motorunun doğrulama örneği; çelişki ayarlaması ve puanlama Smarandache'nin (2018) plitojenik cebir tanımına sadıktır, ancak karar matrisi ve sonuçlar kurucu kitaptan değil, bu kartın yazarınca el ile kurulup Python ile hesaplanmış küçük bir tablodan gelir. Manifest kayıtlarında bu yönteme özgü, adı geçen bir uygulama makalesi bulunamamıştır; bu nokta onay notunda ayrıca belirtilmiştir.
2. Ulaşım: Bir belediyenin yeni otobüs filosu aracı seçimi
Bir belediye toplu taşıma müdürlüğü, filoya katılacak yeni otobüs modelini üç aday arasından seçecektir. İki kriter: yolcu kapasitesi ve işletme maliyeti (azı iyi). Teknik komisyon her aracın bu iki kriterde "hizmete uygunluğunu" doğruluk, belirsizlik ve yanlışlık dereceleriyle değerlendirmiştir. Komisyon işletme maliyetini belediyenin bu yıl için birincil öncelik saymaktadır; bu yüzden bu kriterin çelişki derecesini düşük (0) belirlemiştir. Yolcu kapasitesini ikincil bir özellik saydığından onun çelişki derecesini daha yüksek (1/3) vermiştir.
Yöntem üç aracı karşılaştırır: maliyet kriterinde tümleyeni alır, her hücreyi kendi kriterinin çelişki derecesiyle düzeltir, skorlayıp sütun toplamına oranlar, ağırlıklarla çarpıp toplar. Diyelim ki en düşük işletme maliyetine sahip araç, yolcu kapasitesinde orta düzeydedir. Yine de birinci çıkar, çünkü maliyet kriterinin çelişki derecesi düşük olduğu için düzeltme bu kriterdeki gücünü zayıflatmamıştır.
Müdürlüğün bir tereddüdü var. Yolcu kapasitesinin çelişki derecesi gelecek yıl bütçe önceliği değişirse düşürülebilir; bu durumda kapasitede güçlü ama maliyette orta olan aracın öne geçip geçmeyeceği yeniden hesaplanmalıdır. Müdürlük bu çelişki derecelerinin hangi gerekçeyle belirlendiğini raporda açıklamalıdır.
Raporda: "İşletme maliyetine verilen düşük çelişki derecesi ve yüksek ağırlıkla en ucuz araç öne çıkmaktadır; çelişki dereceleri gelecek yıl bütçe önceliğine göre güncellenirse sıra yeniden hesaplanmalıdır."
3. Yapılmaması Gereken
Birinci yanlış, öğretici örnekte üç kriterin çelişki derecesini de sıfır kabul edip nötrosofik ARAS koşturmaktır; bu, K2 ve K3'ün karar problemiyle daha az örtüştüğü bilgisini siler ve A3'ün ikinci sıradaki konumunu görünürde değiştirmese de altındaki gerekçeyi bozar. İkinci yanlış, çelişki ayarlamasını normalizasyondan sonra uygulamaktır; bu, çelişki payının sütun toplamına yanlış oranda karışmasına yol açar. Üçüncü yanlış, A2'nin 0,968 fayda derecesini "yüzde 97 kesinlikle doğru seçim" diye raporlamaktır; K yalnızca bu üç adayın optimal adaya göre orantısal faydasını gösterir, bir olasılık değildir.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/p-aras
Smarandache, F. (2018). Plithogeny, Plithogenic Set, Logic, Probability, and Statistics. Pons Publishing, Brussels. (DOI yok)
Smarandache, F. (1998). Neutrosophy: Neutrosophic Probability, Set, and Logic. American Research Press, Rehoboth. (DOI yok)
Zavadskas, E. K., & Turskis, Z. (2010). A new additive ratio assessment (ARAS) method in multicriteria decision-making. Technological and Economic Development of Economy, 16(2), 159–172. DOI: 10.3846/tede.2010.10