HF-DFT (Tereddütlü Bulanık Karar Alan Kuramı)

HF-DFT, elinizde uzman görüşlerinin birden çok makul değerle (tereddütlü bulanık sayılarla) verildiği bir karar tablosu olduğunda ("hangi rota", "hangi yatırım hedefi") seçenekleri, insan zihninin gerçekten nasıl karar verdiğini modelleyen dinamik bir benzetimle sıralayan bir yöntemdir. Diğer sıralama yöntemlerinin çoğu (TOPSIS, SAW gibi) tercihi tek bir anda, statik bir hesapla üretir. HF-DFT farklıdır: psikolojide karar alan kuramı (decision field theory) adı verilen bir modeli temel alır ve tercihin, seçenekler arasındaki küçük karşılaştırmaların zaman içinde birikmesiyle oluştuğunu varsayar. Çıktısı, deliberasyon süresi sonunda her seçeneğin biriktirdiği tercih değeri ve buna göre sıradır. Yöntem Song, Zhang, Xu, Hao ve Wang tarafından 2019'da, klasik karar alan kuramını tereddütlü bulanık ortama taşıyarak önerilmiştir.

HF-DFT'nin arkasındaki fikir, gerçek karar vermenin anlık bir hesap değil, zaman içinde ilerleyen bir süreç olduğudur. İnsan zihni seçenekleri bir kez karşılaştırıp kesin sonuca varmaz; dikkatini sırayla farklı kriterlere kaydırır, her kaydırmada seçenekler arasında küçük bir tercih farkı oluşur ve bu farklar zamanla birikir. HF-DFT bu süreci matematiksel olarak taklit eder: her seçeneğin diğerlerine göre anlık bir "üstünlük baskısı" (valans) hesaplanır, bu baskı önceki birikime eklenir, seçenekler arasındaki rekabet ve belleğin etkisi bir geri besleme mekanizmasıyla modellenir ve bu döngü belirli bir süre ya da bir eşik aşılana kadar tekrarlanır.

Bu fikrin bir felsefi sonucu vardır: HF-DFT bir tutarlılık ve olgunlaşma yöntemidir. Statik yöntemlerde iki seçenek arasındaki küçük bir puan farkı ile büyük bir fark aynı biçimde "birinci, ikinci" diye raporlanır. HF-DFT'de ise süreç, aradaki farkın ne kadar "sağlam" olduğunu da örtük biçimde taşır: statik puanlar neredeyse eşitken bile, dinamik biriktirme süreci zamanla net bir kazananı öne çıkarabilir ya da tam tersine, süreç kısa kesilirse henüz kimse öne çıkmamış olabilir.

Yöntem sekiz adımda ilerler.

Birinci adım, uzman görüşlerinin birleştirilmesi. Birden çok uzman varsa, her birinin tereddütlü bulanık değerlendirmeleri, uzman ağırlıklarıyla tek bir ortak karar matrisinde birleştirilir.

İkinci adım, yön eşitleme. Maliyet gibi "azı iyi" kriterler, tümleyen alınarak "çoğu iyi" biçime çevrilir; böylece sonraki tüm adımlar aynı yönde ilerler.

Üçüncü adım, kriter ağırlıklarının belirlenmesi. Ağırlıklar biliniyorsa doğrudan kullanılır; kısmen biliniyorsa doğrusal kısıtlarla optimize edilir; hiç bilinmiyorsa veriden (entropi ya da toplam puanı en çoklama gibi) türetilir.

Dördüncü adım, seçenekler arası uzaklık. Her seçenek çiftinin birbirinden ne kadar farklı olduğu, tereddütlü bulanık değerler arasındaki ağırlıklı bir uzaklıkla ölçülür ve bir uzaklık tablosu oluşturulur.

Beşinci adım, geri besleme mekanizması. Bu uzaklık tablosundan, seçenekler arasındaki rekabetin gücünü ve belleğin ne kadar korunduğunu belirleyen bir geri besleme tablosu kurulur; birbirine çok benzeyen seçenekler arasında rekabet daha güçlü, birbirinden çok farklı seçenekler arasında daha zayıftır.

Altıncı adım, anlık üstünlük baskısı. Her seçeneğin diğerlerine göre o andaki göreli üstünlüğü (valans), ağırlıklı kriter puanları üzerinden hesaplanır.

Yedinci adım, zaman içinde biriktirme. Küçük bir zaman adımıyla, her seçeneğin tercih değeri önceki değerine geri besleme etkisi ve yeni üstünlük baskısı eklenerek güncellenir. Bu döngü, belirlenen bir deliberasyon süresine ulaşılana ya da bir seçeneğin tercih değeri belirlenen bir eşiği aşana kadar tekrarlanır.

Sekizinci adım, karar. Deliberasyon süresi sonunda en yüksek biriktirilmiş tercih değerine sahip seçenek en iyi seçenektir; değerler eşitse önce puana, sonra puanın istikrarına bakılır.

Adımların formülleri DecisionMind'daki yöntem sayfasında verilir; bu kart formül taşımaz.

Biriktirilmiş tercih değeri, bir seçeneğin deliberasyon süreci sonunda ne kadar öne çıktığını söyler; başka bir şey söylemez. Pozitif bir değer o seçeneğin genel eğilimde öne çıktığını, negatif bir değer geride kaldığını gösterir, ama bu bir yüzde ya da olasılık değildir. Değerin büyüklüğü, seçilen deliberasyon süresine ve model parametrelerine (rekabet gücü, bellek etkisi) bağlıdır; aynı karar matrisi farklı bir süre ya da farklı parametrelerle koşturulduğunda değerlerin büyüklüğü değişebilir, sıra ise genellikle daha dayanıklıdır.

Bu nedenle:

"HF-DFT en iyi seçeneği buldu"

yerine:

"Bu deliberasyon süresi ve bu model parametreleriyle en çok tercih biriktiren seçenek şudur; biriktirilen değerin büyüklüğü değil yalnız sırası güvenilir okunmalıdır"

biçiminde yazmak doğrudur.

HF-DFT tereddütlü bulanık (hesitant fuzzy) veriyle çalışır: her hücrede tek bir sayı ya da tek bir üçlü değil, birden fazla makul değerden oluşan bir küme bulunur. Bu, birden fazla uzmanın aynı kriterde farklı puanlar önerdiği ya da tek bir uzmanın birden fazla makul değer arasında kararsız kaldığı durumları, erkenden tek bir sayıya indirgemeden taşımak için kullanılır. DecisionMind'da bu yöntemin başka veri türlerinde bir uzantısı bulunmaz; temel biçimiyle tek başına yer alır.

Elinizde şunlar olmalı: satırlarda seçenekler, sütunlarda kriterler, her hücrede bir ya da daha fazla makul değerden oluşan tereddütlü bulanık küme; kriter ağırlıkları (bilinmiyorsa yöntem veriden türetebilir); model parametreleri (rekabet gücü, bellek etkisi, deliberasyon süresi, zaman adımı). Bu parametrelerin gerçek karar durumuna nasıl karşılık geldiği açık değilse (örneğin "rekabet gücü" ne kadar olmalı), varsayılan değerlerle çalışmak sonucu etkiler; bu yüzden parametre seçimi raporda gerekçelendirilmelidir.

Değerlendirmeleriniz birden fazla makul değer içeriyorsa (uzmanlar arasında ya da tek bir uzmanın kararsızlığında) ve kararın statik bir hesapla değil, zaman içinde olgunlaşan bir süreç olarak modellenmesini istiyorsanız HF-DFT uygun bir seçimdir. Tipik alanları, insan davranışını ve deliberasyonu daha gerçekçi yansıtmak istenen stratejik seçimlerdir (rota seçimi, yatırım hedefi seçimi).

Kullanılmaması gereken durumlar şunlardır: verileriniz zaten kesinse ve kararın dinamik bir süreç olarak modellenmesine ihtiyaç yoksa, daha basit ve daha az parametre gerektiren bir yöntem (TOPSIS, SAW) yeterlidir. Model parametrelerini (rekabet gücü, bellek etkisi, deliberasyon süresi) gerçek karar durumuna göre gerekçelendiremiyorsanız, bu parametrelerin sonucu ne kadar etkilediği bilinmeden HF-DFT kullanmak yanıltıcı olabilir.

Uzmanlar arasında tereddüt var, karar süreci dinamik modellenmek isteniyor → HF-DFT

Veri kesin, dinamik sürece gerek yok → TOPSIS, SAW gibi statik yöntemler

Tereddüt yok ama iki derece (destek/ret) var → IF-DFT (sezgisel bulanık DFT)

Model parametreleri gerekçelendirilemiyor → Parametre duyarlılık analizi yapılmadan HF-DFT kullanılmamalı

HF-DFT'nin en önemli üstünlüğü, kararı statik bir formülle değil, insan deliberasyonunu taklit eden dinamik bir süreçle modellemesidir; bu, klasik karar alan kuramının psikolojideki güçlü deneysel temelinden gelir (Busemeyer ve Townsend, 1993; Roe, Busemeyer ve Townsend, 2001). Tereddütlü bulanık verilerle çalışması, uzmanlar arasındaki anlaşmazlığı erkenden tek bir sayıya indirgemeden taşımasını sağlar. Yöntem, statik puanlar birbirine çok yakın olsa bile zaman içinde net bir kazananı ortaya çıkarabilir; bu, kararsızlık durumlarında ek bir bakış açısı sunar.

Sınırlılıkları modelin parametre yüküyle ve süreç yapısıyla ilgilidir. Birincisi, yöntem birden fazla parametre (rekabet gücü, bellek etkisi, deliberasyon süresi, zaman adımı) gerektirir; bu parametrelerin gerçek karar durumuna nasıl karşılık geldiği çoğu zaman açık değildir ve sübjektif kalabilir. İkincisi, klasik karar alan kuramının kendisi psikolojide bazı alternatif modellerle karşılaştırmalı olarak sınanmıştır ve tüm tercih örüntülerini aynı doğrulukla açıklamadığı bilinmektedir (Roe, Busemeyer ve Townsend, 2001). Üçüncüsü, tereddütlü bulanık kümelerin farklı uzunluklarda olabilmesi (bir kriterde iki, başka bir kriterde üç makul değer) teknik bir eşitleme adımı gerektirir; bu eşitleme (en kötümser değeri tekrarlama gibi) kendi başına bir varsayımdır. Dördüncüsü, sonucun büyüklüğü seçilen deliberasyon süresine bağlıdır; süre çok kısa kesilirse süreç henüz olgunlaşmamış olabilir.

En yaygın hata, biriktirilmiş tercih değerinin büyüklüğünü bir yüzde ya da kesinlik derecesi gibi okumaktır; değer yalnız süreç sonundaki göreli konumu gösterir.

İkinci hata, model parametrelerini (rekabet gücü, bellek etkisi, deliberasyon süresi) gerekçesiz biçimde varsayılan değerlerde bırakmaktır; bu parametreler sonucun büyüklüğünü ciddi biçimde değiştirebilir. Üçüncü hata, tereddütlü bulanık kümelerin uzunluk farkını göz ardı edip bu eşitlemenin sonucu nasıl etkilediğini raporlamamaktır. Dördüncü hata, deliberasyon süresini çok kısa tutup sürecin henüz olgunlaşmadığı bir anda karar vermektir. Beşinci hata, HF-DFT'yi statik bir ağırlıklı toplam yöntemiymiş gibi okuyup dinamik sürecin kendisini görmezden gelmektir.

Temel ilke şudur:

HF-DFT sonucu, seçilen model parametreleri ve deliberasyon süresiyle biriken bir tercih sürecinin özetidir; parametreler değişirse biriken değerin büyüklüğü, bazen de sırası değişebilir.