IF-DFT (Sezgisel Bulanık Karar Alan Kuramı)

IF-DFT, elinizde uzman görüşlerinin destek ve ret derecesiyle (sezgisel bulanık sayılarla) verildiği bir karar tablosu olduğunda ("hangi yatırım hedefi", "hangi ülke") 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. IF-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 Hao, Xu, Zhao ve Zhang tarafından 2017'de, klasik karar alan kuramını sezgisel bulanık ortama taşıyarak önerilmiştir; makalenin kendi uygulaması, bir kalkınma girişiminde en uygun yatırım ülkesinin seçimidir.

IF-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. IF-DFT bu süreci matematiksel olarak taklit eder: her seçeneğin diğerlerine göre anlık bir üstünlük baskısı 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. Sezgisel bulanık yapı, uzmanın destek derecesi kadar ret derecesini de ayrı ayrı taşıdığı için, kararsızlık payı (destek ile ret arasında kalan boşluk) sürecin başından itibaren görünür kalır.

Bu fikrin bir felsefi sonucu vardır: IF-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. IF-DFT'de ise süreç, aradaki farkın ne kadar sağlam olduğunu da örtük biçimde taşır: bir seçeneğin lideri belirgin biçimde geçmesi ile sıfıra çok yakın bir farkla geçmesi, sürecin sonunda farklı bir güven düzeyi taşır.

Yöntem altı adımda ilerler.

Birinci adım, değerlendirmelerin hazırlanması. Her hücre bir sezgisel bulanık sayıdır (destek derecesi, ret derecesi). Birden çok karar verici varsa görüşleri birleştirilir; ağırlıklar biliniyorsa doğrudan kullanılır, değilse optimize edilir. Maliyet gibi "azı iyi" kriterler, destek ve ret dereceleri yer değiştirilerek "çoğu iyi" biçime çevrilir; bu değişim kararsızlık payını korur, yalnız o kriterin skorunun yönünü çevirir.

İkinci adım, seçenekler arası uzaklık. Her seçenek çiftinin birbirinden ne kadar farklı olduğu, sezgisel bulanık değerler arasındaki (destek, ret ve kararsızlık payını birlikte kullanan) ağırlıklı bir uzaklıkla ölçülür ve bir uzaklık tablosu oluşturulur.

Üçüncü adım, geri besleme mekanizması. Bu uzaklık tablosundan, bir kontrast matrisi (her seçeneğin kendisiyle karşılaştırması 1, diğerleriyle karşılaştırması eşit ve negatif) ve bir geri besleme matrisi (köşegeninde belleğin ne kadar korunduğu, köşegen dışında seçenekler arası rekabetin gücü) kurulur.

Dördüncü adım, anlık üstünlük baskısı. Sezgisel bulanık sayılarda doğrudan çıkarma bilgi kaybına yol açtığından, her seçenek çiftinin karşılaştırması yönlü bir uzaklık olarak ifade edilir ve bu, ağırlıklarla birleştirilerek her seçeneğin o andaki göreli üstünlüğü hesaplanır.

Beşinci 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.

Altıncı adım, karar. Deliberasyon süresi sonunda en yüksek biriktirilmiş tercih değerine sahip seçenek en iyi seçenektir; tercih değerlerinden isteğe bağlı olarak bir seçim olasılığı da türetilebilir.

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; tercih değerlerinden isteğe bağlı olarak türetilen seçim olasılığı ayrı bir sayıdır ve doğrudan tercih değeriyle karıştırılmamalıdır. Değerin büyüklüğü, seçilen deliberasyon süresine ve model parametrelerine (bellek etkisi, rekabet gücü) bağlıdır.

Bu nedenle:

"IF-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.

IF-DFT sezgisel bulanık (intuitionistic fuzzy) veriyle çalışır: her hücrede tek bir sayı değil, destek derecesi ve ret derecesinden oluşan bir çift bulunur; ikisinin toplamı 1'i aşamaz, geriye kalan pay kararsızlıktır. 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 (destek, ret) çifti; kriter ağırlıkları (bilinmiyorsa yöntem veriden türetebilir); model parametreleri (bellek etkisi, rekabet gücü, deliberasyon süresi, zaman adımı). Bu parametrelerin gerçek karar durumuna nasıl karşılık geldiği açık değilse, varsayılan değerlerle çalışmak sonucu etkiler; bu yüzden parametre seçimi raporda gerekçelendirilmelidir.

Değerlendirmeleriniz destek ve ret derecesiyle (sezgisel bulanık) verilmişse ve kararın statik bir hesapla değil, zaman içinde olgunlaşan bir süreç olarak modellenmesini istiyorsanız IF-DFT uygun bir seçimdir. Tipik alanları, insan davranışını ve deliberasyonu daha gerçekçi yansıtmak istenen stratejik seçimlerdir (yatırım hedefi seçimi, kaynak tahsisi kararları).

Kullanılmaması gereken durumlar şunlardır: verileriniz zaten kesinse ve kararın dinamik bir süreç olarak modellenmesine ihtiyaç yoksa, daha basit bir yöntem (TOPSIS, SAW) yeterlidir. Değerlendirmeleriniz birden fazla makul değerden oluşan bir tereddüt içeriyorsa (tek bir destek/ret çifti değil), yakın akrabası HF-DFT daha uygun olabilir. Model parametrelerini gerçek karar durumuna göre gerekçelendiremiyorsanız, bu parametrelerin sonucu ne kadar etkilediği bilinmeden IF-DFT kullanmak yanıltıcı olabilir.

Destek/ret derecesiyle değerlendirme var, karar süreci dinamik modellenmek isteniyor → IF-DFT

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

Destek/ret yerine birden fazla makul değerden oluşan tereddüt var → HF-DFT

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

IF-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). Sezgisel bulanık verilerle çalışması, uzmanın hem desteğini hem reddini hem de kararsızlığını ayrı ayrı taşımasını sağlar. Yöntem daha sonra tereddütlü bulanık ortama genellenmiştir (Song ve ark., 2019), bu da orijinal modelin genişletilebilir bir çerçeve sunduğunu gösterir.

Sınırlılıkları modelin parametre yüküyle ve süreç yapısıyla ilgilidir. Birincisi, yöntem birden fazla parametre (bellek etkisi, rekabet gücü, 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, sezgisel bulanık sayılarda doğrudan çıkarma işleminin bilgi kaybına yol açması, yöntemi yönlü uzaklık gibi dolaylı bir karşılaştırmaya zorlar; bu, standart aritmetik işlemlere göre daha az sezgisel bir adımdır. 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 (bellek etkisi, rekabet gücü, deliberasyon süresi) gerekçesiz biçimde varsayılan değerlerde bırakmaktır; bu parametreler sonucun büyüklüğünü ciddi biçimde değiştirebilir, sırayı ise her zaman değiştirmeyebilir. Üçüncü hata, maliyet kriterini tümleyerek çevirirken kararsızlık payının değişmediğini unutup skoru yanlış yönde yorumlamaktır. Dördüncü hata, deliberasyon süresini çok kısa tutup sürecin henüz olgunlaşmadığı bir anda karar vermektir. Beşinci hata, tercih değerini ve isteğe bağlı türetilen seçim olasılığını birbirine karıştırmaktır; ikisi farklı ölçeklerdedir.

Temel ilke şudur:

IF-DFT sonucu, seçilen model parametreleri ve deliberasyon süresiyle biriken bir tercih sürecinin özetidir; parametreler değişirse biriken değerin büyüklüğü değişir, sıra ise incelenen örneklerde genellikle dayanıklı kalır.