Olasılıksal dilsel MABAC (Wei, Wei, Wu ve Wang, 2019)

Dört şey değişir; sınır yaklaşım alanı mantığı değişmez.

Hücreler. Kesin MABAC'ta her hücre tek sayıdır. Burada her hücre bir terim listesi ve bu terimlerin olasılıklarıdır. Uzman tek bir kelime yerine birkaç kelimeyi olasılıkla verir; örneğin bir tedarikçi "yüzde 50 orta, yüzde 50 yüksek" diye değerlendirilebilir. Kriter ağırlıkları kesin sayıdır; yöntem ağırlık üretmez, dışarıdan alır.

Ölçek eşitleme. Yöntem önce her terim listesini beklenen değere indirger: her terimin kümedeki sırası, o terimin olasılığıyla çarpılır ve kriter içinde toplanır. Bu, dağılımı tek bir sayıya özetleyen bir adımdır ve kesin MABAC'ın min-maks normalizasyonundan önce gelir. Beklenen değerler elde edildikten sonra DecisionMind kesin MABAC'ın kendi min-maks normalizasyonunu uygular: her sütun kendi en küçük ve en büyük beklenen değerine göre 0-1 arasına yerleştirilir, maliyet kriterinde bu ölçek ters çevrilir.

Ağırlıklama ve sınır yaklaşım alanı. Eşitlenmiş değere önce 1 eklenir, sonra kriterin ağırlığıyla çarpılır. Bu "+1" kaydırması kesin MABAC'takiyle aynı teknik zorunluluktan gelir: bir sonraki adımdaki geometrik ortalama sıfır ya da negatif bir değerle çalışamaz. Sınır yaklaşım alanı, her kriter için bu ağırlıklı değerlerin geometrik ortalamasıdır; kesin MABAC ile birebir aynı kuraldır, yalnız girdi artık bir terim dağılımından türetilmiş beklenen değerdir.

Sonuç ve durulaştırma. Her seçeneğin sınıra uzaklığı kesin MABAC'taki gibi düz bir çıkarmadır ve kriterler boyunca toplanır. Durulaştırma aslında ilk adımda, terim dağılımı beklenen değere indirgenirken olur; bu noktadan sonra hesap kesin MABAC ile aynı beş adımı izler. İki farklı dağılım aynı beklenen değeri verebilir; biri "yüzde 100 orta" derken diğeri "yüzde 50 düşük, yüzde 50 yüksek" diyebilir ve ikisi de aynı sayıya iner.

DecisionMind klasik olasılıksal dilsel MABAC'ta beklenen değere indirgemeyi ve ardından kesin MABAC'ın min-maks normalizasyonunu, "+1" kaydırmasını ve geometrik ortalamalı sınırı sabit tutar. Ağırlıklar dışarıdan ve kesin sayı olarak alınır.

Toplam puan kesin MABAC'taki gibi okunur: pozitif puan sınırın üzerinde, negatif puan altında demektir ve bu yalnız bu seçenek kümesi için geçerlidir. Fark şurada: bu puanın altında artık bir olasılık dağılımı vardır ve bu dağılım beklenen değere indirgenirken görünmez olur. İki seçeneğin puan farkı, yalnız hangi terimin seçildiğine değil, uzmanın terimler arasındaki olasılık dağılımına da bağlıdır.

Bu nedenle:

"Olasılıksal dilsel MABAC uzmanın tüm kanaatini kullandığı için sonuç en doğrusudur"

yerine:

"Beklenen değerler üzerinden kurulan sınır yaklaşım alanına göre bu sıra çıkmıştır; puanın altındaki olasılık dağılımı toplu mu dağınık mı, bu ayrıca kontrol edilmelidir"

biçiminde yazmak doğrudur.

Uzman ya da uzman grubu bir kriteri tek bir terimle değil, birkaç terime dağılmış bir kanaatle değerlendiriyorsa bu uzantı kullanılır. Tipik durum, birden çok değerlendiricinin aynı kriteri farklı terimlerle puanladığı ve bu dağılımın tek bir ortalamaya indirilmeden korunmak istendiği gruplu değerlendirmelerdir. Uzman tek bir terim seçiyor ve olasılık vermiyorsa klasik dilsel yapı yeterlidir; "en az orta" gibi bir aralık veriyorsa tereddütlü dilsel yapı kullanılır.

Kesin MABAC'ın çıkış koşulu burada da geçerlidir: bir kriterde taviz kabul edilmiyorsa bu uzantı da tam telafi edicidir ve eşik altını elemez. Kriter ölçülmüşse ölçülmüş kalır; olasılıksal dilsel hücre yalnız kriterin doğal ölçüsü kelimeyse ve bu kelime birden çok terime dağılıyorsa kullanılır.

Terim listesinin olasılıklarını birleştirmeden bırakmak. Aynı kriterdeki olasılıksal dilsel değerlerin olasılık toplamı bire tamamlanmalıdır; aksi hâlde beklenen değer karşılaştırılabilir olmaktan çıkar.

Beklenen değeri tek başına yorumlamak. İki seçeneğin aynı beklenen değere farklı dağılımlarla ulaşması karara görünür kalmalıdır; yalnız sayıyı raporlamak, dağılımın taşıdığı bilgiyi gizler.

Terim kümesini uzmandan uzmana farklı tutmak. Terim sayısı ve sırası bütün uzmanlar ve seçenekler için aynı olmalıdır; farklı basamak sayılı iki küme doğrudan karşılaştırılamaz.

"Daha gelişmiş" yanılgısı. Olasılıksal dilsel MABAC, klasik dilsel MABAC'tan daha "doğru" bir sıralama üretmez; yalnız uzman kanaati birden çok terime dağılıyorsa bu dağılımı kaybetmeden taşır.

Temel ilke şudur:

Olasılıksal dilsel MABAC, uzmanın terimler arasına dağılmış kanaatini beklenen değere indirgeyerek hesaplar; bu indirgemenin dağılımın şeklini attığını unutan her rapor eksik kalır.