SIWEC (Basit Ağırlık Hesaplama / Simple Weight Calculation)

Elinizde birkaç uzman ve birkaç kriter var, uzmanlardan kriterlerin önemini doğrudan sayıyla puanlamasını (örneğin 1 ile 10 arası) istiyorsunuz. Ne ikili karşılaştırma, ne kart sıralaması, ne de en iyi-en kötü seçimi gerekmiyor. SIWEC tam bu durum için Puška, Nedeljković, Pamučar, Božanić ve Simić tarafından 2024'te önerilmiştir. Yöntem, her uzmanın verdiği puanları kendi içinde ölçekler, sonra o uzmanın puanları ne kadar ayırt edici kullandığını (puanlarının ne kadar dağıldığını) ölçer. Ayırt edici puanlayan, yani kriterleri birbirinden net biçimde ayıran uzmanın görüşü sonuca daha çok yansır. Çıktı, toplamı 1 olan bir ağırlık vektörüdür. SIWEC sıralama yapmaz, kriterlere ağırlık dağıtır.

SIWEC'in arkasındaki fikir, tüm uzmanların puanlama biçimine aynı ölçüde güvenilemeyeceğidir. Bir uzman kriterlerin çoğuna benzer puanlar veriyorsa (örneğin hepsine 7-8 civarı), bu uzman ya kriterler arasında gerçekten az fark görüyordur ya da ayırt etmekte zorlanıyordur. Başka bir uzman kriterlere belirgin biçimde farklı puanlar veriyorsa (bazısına 9, bazısına 3), bu uzman kriterler arasındaki farkı net biçimde görüyor ve bunu puanlarına yansıtıyor demektir. SIWEC, puanlarının yayılımı (standart sapması) yüksek olan uzmanın görüşüne daha çok ağırlık verir.

Bu fikrin bir felsefi sonucu vardır. SIWEC, "kaç uzman aynı şeyi söylüyor" sorusuna değil, "hangi uzman ayırt edici konuşuyor" sorusuna önem verir. Bu, uzman sayısının azaldığı ama her uzmanın görüşünün alındığı küçük gruplarda anlamlıdır. Ama bir uzmanın kriterlere gerçekten yakın önem verdiği durumlarda (hepsi gerçekten eşit önemliyse) düşük yayılım cezalandırılmış olur; bu, uzmanın hatası değil, kriterlerin o uzmana göre gerçekten yakın önemde olmasının bir sonucu olabilir.

Yöntem altı adımda ilerler.

Birinci adım, doğrudan puanlama. Her uzman tüm kriterleri sayısal bir ölçekte (örneğin 1'den 10'a) doğrudan puanlar. Sonuç, satırların uzmanları, sütunların kriterleri temsil ettiği bir puan tablosudur. İkili karşılaştırma ya da önceden sıralama gerekmez.

İkinci adım, uzman içi ölçekleme. Her uzmanın verdiği puanlar, o uzmanın kendi en yüksek puanına bölünür. Böylece her uzmanın puanları kendi içinde 0 ile 1 arasına gelir; farklı uzmanların farklı puanlama alışkanlıkları (biri hep yüksek, biri hep düşük puan veriyor olabilir) bu adımda giderilir.

Üçüncü adım, ayırt edicilik ölçüsü. Her uzman için, ölçeklenmiş puanların kriterler arasındaki standart sapması hesaplanır. Yüksek standart sapma, o uzmanın kriterleri birbirinden net biçimde ayırdığını gösterir.

Dördüncü adım, uzman puanlarının ağırlıklandırılması. Her uzmanın ölçeklenmiş puanı, kendi ayırt edicilik ölçüsüyle çarpılır. Böylece ayırt edici uzmanın puanları sonuca daha çok, düz puan veren uzmanın puanları daha az katkı yapar.

Beşinci adım, toplama. Bu ağırlıklı puanlar tüm uzmanlar üzerinden her kriter için toplanır ve kriterin toplam önem sinyali elde edilir.

Altıncı adım, normalizasyon. Her kriterin toplam sinyali, tüm kriterlerin toplam sinyaline bölünür. Sonuç, toplamı 1 olan bir ağırlık vektörüdür.

Adımların formülleri, ara tabloları ve atıf biçimleri DecisionMind'daki yöntem sayfasında verilir; bu kart formül taşımaz.

Ağırlık, bir kriterin uzmanların ayırt edici puanlarında ne kadar öne çıktığını gösterir; yalnız "ortalama puan yüksek" demek değildir. Bir kriter ortalamada yüksek puan alsa bile, o puanı veren uzmanlar kriterleri az ayırt ediyorsa (yani hepsine benzer puan veriyorsa), bu kriterin ağırlığa katkısı sınırlı kalır. Tersine, düşük ortalama puan alan bir kriter, onu düşük puanlayan uzman kriterleri çok net ayırıyorsa daha yüksek ağırlık alabilir.

Bu yüzden ağırlık, "uzmanların ortak kanaati" ile karıştırılmamalıdır; ağırlık, ayırt edici puanlayan uzmanların görüşüne daha çok pay veren bir birleştirmedir. Bir uzman tüm kriterlere aynı puanı veriyorsa (standart sapması sıfırsa), o uzman sonuca hiç katkı yapmaz; bu bir hata değildir, yöntemin tanımından gelir.

Bu nedenle:

"SIWEC analizi uzmanların bu kriteri en önemli bulduğunu gösterdi"

yerine:

"Bu ağırlık, kriteri en ayırt edici biçimde puanlayan uzmanların görüşüne daha çok pay veren bir birleştirmenin sonucudur; tüm uzmanların ortak kanaatini eşit ölçüde yansıtmaz"

biçiminde yazmak doğrudur.

SIWEC kesin (crisp) veriyle çalışır: her uzmanın her kritere verdiği tek bir sayısal puan. DecisionMind'da temel yöntemin yanında bulanık dilsel puanlarla çalışan bir uzantısı (Fuzzy SIWEC) da vardır; toplamda iki SIWEC üyesi bulunur.

Elinizde şunlar olmalı: ağırlıklandırılacak kriterlerin listesi, en az bir uzman ve bu uzmanın (uzmanların) her kriteri aynı sayısal ölçekte puanladığı tam bir tablo, boş hücre olmadan. Yöntem ağırlık üretir, dışarıdan ağırlık istemez; alternatif verisine ihtiyaç duymaz. En az iki kriter gerekir; üç ile on beş kriter arası rahat çalışır. Uzman sayısı arttıkça ayırt edicilik farkları daha güvenilir biçimde ortaya çıkar.

Birden çok uzmandan hızlıca doğrudan puan almak istiyorsanız, ikili karşılaştırma ya da kart sıralaması gibi ek bir yük getirmeden grup görüşünü birleştirmeniz gerekiyorsa SIWEC uygun bir seçimdir. Uzmanların puanlama tarzları birbirinden farklıysa (biri hep yüksek, biri hep temkinli puan veriyorsa) SIWEC'in uzman içi ölçekleme adımı bu farkı otomatik olarak giderir.

Kullanılmaması gereken iki durum vardır. Tek bir uzman varsa ve bu uzman tüm kriterlere benzer puanlar veriyorsa, ayırt edicilik ölçüsü sıfıra yakın çıkar ve ağırlıklar neredeyse eşitlenir; bu durumda yöntem ek bir bilgi katmaz. Uzmanların puanlama tutarlılığı değil, kriterler arası ikili karşılaştırmalarla ölçülen bir gerekçelendirme isteniyorsa AHP ya da BWM tercih edilmelidir.

Birden çok uzman var, hızlı doğrudan puanlama isteniyor → SIWEC

Uzmanlar kriterleri güvenle sıralayabiliyor, boşluk bilgisi de verilebiliyor → REVISED-SIMOS

İkili karşılaştırma ve tutarlılık denetimi isteniyor → AHP, BWM

Uzman yok, ağırlık veriden türesin → Entropy, CRITIC (nesnel)

Puanlar bulanık dilsel ifadelerle geliyor → Fuzzy SIWEC

SIWEC'in en önemli üstünlüğü, uzmandan yalnız doğrudan ve tek adımlı bir puanlama istemesidir; ikili karşılaştırma, sıralama ya da en iyi-en kötü seçimi gerekmez. Bu, çok sayıda uzmanla hızlı grup çalışması yapılan durumlarda pratik bir avantajdır. Yöntem, farklı puanlama alışkanlıklarına sahip uzmanları uzman içi ölçeklemeyle aynı zemine getirir ve ayırt edici puanlayan uzmanın görüşüne daha çok pay vererek düz, ayırt etmeyen puanlamaların sonucu sulandırmasını önler.

Sınırlılıkları da bu yapıdan doğar. Birincisi, standart sapmayı "ayırt edicilik" olarak okumak, bir uzmanın kriterleri gerçekten yakın önemde gördüğü durumu, o uzmanın kararsız ya da özensiz olduğu durumdan ayırt edemez. İkincisi, yöntem 2024'te önerilmiş yeni bir yöntemdir; bağımsız araştırma gruplarınca uzun süreli sınanması henüz sınırlıdır. Üçüncüsü, SIWEC öznel bir ağırlık yöntemidir ve sonuç, seçilen uzmanların puanlama tarzına bağlıdır; farklı bir uzman grubu farklı ağırlıklar üretebilir. Dördüncüsü, tek uzmanlı uygulamalarda ayırt edicilik ölçüsünün gücü sınırlıdır, çünkü karşılaştırma yapılacak başka bir uzman puanı yoktur.

En yaygın hata, bir uzmanın tüm kriterlere benzer puan vermesi durumunda bu uzmanın "kararsız" ya da "işini yapmamış" olduğunu varsaymaktır; bu durum bazen kriterlerin o uzmana göre gerçekten yakın önemde olduğunu da gösterebilir.

İkinci hata, uzman içi ölçeklemeyi atlayıp puanları doğrudan karşılaştırmaktır; bir uzmanın hep yüksek, ötekinin hep düşük puan verme alışkanlığı bu adım atlanırsa ağırlıklara yanlış biçimde karışır. Üçüncü hata, tek bir uzmanın puanlarına dayanarak SIWEC ağırlıklarını "grup görüşü" diye sunmaktır; ayırt edicilik ölçüsü ancak birden çok uzmanla karşılaştırmalı biçimde anlam kazanır. Dördüncü hata, ağırlığı doğrudan "kriterin objektif önemi" diye raporlamaktır; SIWEC öznel bir yöntemdir ve sonuç seçilen uzmanlara bağlıdır.

Temel ilke şudur:

SIWEC ağırlıkları, uzmanların doğrudan puanlarının, her uzmanın kendi ayırt edicilik gücüyle tartılmış bir birleşimidir; düz puanlayan bir uzmanın sonuca az katkı yapması bir hata değil, yöntemin tanımlı özelliğidir ve rapor bunu açıklamalıdır.