تعدیل ناسازگاری از طریق یادگیری در تصمیم گیری گروهی و کاربرد آن در مصاحبه استخدامی MBA چین خلاصه: از تصمیم گیری گروهی، به دلیل محدودیت پایه های اطلاعاتی و دانش فردی یا به دلیل قانون تصمیم ، یک تصمیم گیرند.
به تنهایی ممکن است توانایی ارزیابی آلترناتیوهای انتخابی رانداشتند.
این شرایط می تواند به ناسازگاری در نقطه تصمیم گیری گروهی منجر شد و این ناسازگاری ها تحت رویکرد های موجود به دشواری تعدیل می گردند.
بر مبنای Rough set theory ، ما رویکرد جدیدی را پیشنهاد میدهیم که 2 نوع تکنیک یادگیری را همگرا می کند.
این رویکرد ابتدا یک رویه یادگیری ماشینی رابکار میگیرد که آلترناتیوهای ممکن را از تصمیم گیرندگانی که در حال حاضر در مجموعه جایگزین تصمیم گیرنده داده شده نیستند، استخراج می کند.
در مرحله بعد این رویکرد از یک مدل یادگیری دانش گروهی برای تعیین مقادیر خصوصیت متناظر با آن آلترناتویهایی که جدیداً یادگرفته شده اند در استخدام سازگار گروهی، استفاده می کند.
سودمندی این رویکرد را می توان بااستفاده از کاربردش در مصاحبه استخدامی MBA چین اثبات نمود.
مقدمه پیچیدگی روزافزون محیط اقتصادی اجتماعی، بررسی همه ابعاد مساله تصمیم گیری برای یک تصمیم گیرنده تنها (DM) را دشوارتر ساخته است و در نتیجه سازمان های بسیاری از گروهها از فرایند تصمیم گیری استفاده می کنند.
برغم بعضی مشابهت ها، تصمیم گیری گروهی (GDM) با تصمیم گیری چند معیاره (MADM) فرق دارد MADM از نقطه نظر اقتصادی یا اجتماعی صورت می گیرد.
در هر دو مورد معیارها و ارتباطات / تعاملات دو جانبه آنها به صورت شبکه مدل سازی می شوند.
در MADM تعاملات بین معیارها در پی یانین یانسخ رضایت بخش بجای پاسخ بهینه هستند در حالی که GDM به دنبال بهنیه ساختن نتایج حاصل از تصمیم گیرندگان متفاوت از طریق تعدیل ناسازگاری و همگرایی گروهی می باشد.
تحقیق پیشینه در GDM بررسی کرده است که چگونه اعضا گروه با سود جمعی اما اطلاعات متفاوت و توانایی های تصمیم گیی متفاوت ، در جهت گرفتن تصمیات بهینه که از منابع اعضا استفاده می کنند.
یکی و متحد می شوند معمولاً این رویه دارای تأثیر دو جانبه است زیرا انتخاب در یک مرحله اتفاق نمی افتد.
بر مبنای این تحقیق اخیر [6] ما رویه GDM را در یک فرایند 4 مرحله ای که در شکل 1 نشان داده شده است خلاصه کردیم.
ایجاد مجموع جایگزین مقدماتی (اولیه) : قدم اول (مجموعه جایگزین اولیه) تصمیم گیری فردی : قدم دوم (ارزیابی آلترناتیوها) تعدیل ناسازگاری : قدم سوم (ارزیابی تعدیل شده) جمع بندی اولویت های گروهی : قدم 4 (نتایج تصمیم گیری گروهی) رضایت بخش توقف شکل 1: نمایش فرایند تصمیم گیری گروهی در شکل فوق، مستطیل هایی که گوشه منحنی دارند و به دنبال هر مرحله آمده اند نتیجه آن مرحله هستند.
قدم اول فرایند ایجاد مجموعه ای از آلترناتیوهای اولیه می باشد.
این مجموعه به عنوان تابع مساله تحت مطالعه از پیش فرض می شود و یا تصمیم گیرندگان گروه آن را ایجاد می کنند.
در قدم دوم هر تصمیم گیرنده هر یک از عناصر این مجموعه را ارزیابی می کند (قدم 3 ) نتایج ناسازگار حاصل از تصمیمات هر تصمیم گیرنده با تصمیم گیرنده های دیگر تعدیل می شوند.
در قدم 4 برای رسیدن به سطح قبول ناسازگاری نتایج حاصل از تصمیم گیری های هر فرد برای دستیابی به تصمیم گروهی همگرا می شوند.
اگر تحقیقات GDM مجموعه آلترناتیوهای اولیه یکسانی را از پیش فرض می کنند و در اختیار هر یک از اعضاء گروه قرار می دهند و سپس به تعدیل ناسازگاری ایجاد شده و مکانیزم های تجمعی اولویت گروهی می پردازند [7-9] ولی در عمل این فرض به حقیقت نزدیک نیست.
نیازهای مساله تصمیم گیری : اگر مجموعه آلترناتیوهای اولیه ای که از سوی مساله تصمیم گیری ارائه می شود اندازه بزرگی داشته باشد معقول و معمول است که هر یک از تصمیم گیرندگان در گروه نیازمند انتخاب و ارزیابی یک زیر مجموعه از آلترناتیوها باشند این چنین ناسازگاری از سوی تصمیم گیرندگان وجود مجموعه هایی آلترناتیوهای ناهمسان را الزامی می سازد.
به عنوان یک نمونه آزمون ورود مدیر ارشد اداره کل تجارت چین (MBAEE) که شامل 9 قدم است بیشتر آن شامل فرایندهای GDM است همراه حذف بازی ها.
متخصصان تشکیلات اقتصادی دانشگاهها متقاضیان MBA را بر اساس دانش خدشان درگرفتن تصمیمات ارزیابی می کند اگر فرض کنیم 220 نفر متقاضی MBA آماده شرکت در آزمون ورودی هستند .
حداکثر 80 نفر با توجه به محدودیت های تسهیلات آموزشی می توانند قبول شوند.
بنابراین این متخصصان باید حداکثر 120 نفر را مورد ارزیابی و انتخاب قرار دهند (بیش از 80 نفر باید انتخاب شوند که این امر به دلیل ناسازگاری بالقوه بین تصمیم گیرندگان و امکان حذف افراد در آزمون های اضافی بعدی است) می توان مشاهده کرد که اگر چه به همه تصمیم گیرندگان در گروه مجموعه همسالن از 220 متقاضی MBA داده شده است 120 متقاضی که از سوی هر تصمیم گیرنده انتخاب می شوند ممکن است باانتخاب دیگران متفاوت باشد.
بنابراین از نقطه نظر GDM و یعنی تعدیل ناسازگاری و تجمع اولویت گروهی، مجموعه آلترناتیوهای ناهمسان بین تصمیم گیرندگان وجود دارند.
مجموعه های آلترناتیو های اولیه که تولید می شوند از سوی تصمیم گیرندگان متفاوت اگر یک مجموعه آلترناتیو های اولیه از سوی یک تصمیم گیرنده ایجاد شود تصمیم گیرندگان متفاوت در یک گروه مجموعه های آلترناتیو متفاوت دارند، بیش ترین چالش کاری در قدم 3 در شکل 1 تعدیل کردن ناسازگاری های بین آن مجموعه ها است.
همانطورکه اخیراً ذکر شد ما این موضوع را به عنوان یک مساله تحقیقی جدید همراه با عرصه GDM پیشنهاد می دهیم.
1-1- تحقیق پیشین تحقیق مهمی قبلا بر موضوع تعدیل ناسازگاری انجام شده است .
رویکردهای جاری که ممکن است برای اصلاح مشکل جدید تعدیل ناسازگاری بکار روند را به سختی می توان در 5 گونه طبقه بندی کرد.
اولی رویکرد فرایند گروهی است (مانند طوفان مغذی الکترونیکی [10] تکنیک گروه اسمی [11,12] که بر تولید ایده های خلاق از طریق تفکر گروهی تاکید دارد .این رویکرد رای مشکل ها قابل استفاده نیست .
و باید این موضوع را نیز مورد توجه قرار داد که این رویکرد از این موضوعات کلیدی که هر تصمیم گیرنده چه زمانی و چگونه باید تحت آموزش قرارگیرد.
چشم پوشی می کند نوع دوم، تجزیه مساله است (مانند تحلیل سیستم [13] نمودار نفوذ [1A] ، ترسیم شناختی [15,16] که فاز تصمیم گیری اولیه حل مساله را تسهیل می سازد.
آن نیز اینجا نامناسب است از آنجایی که راهی قوای خلق مجموعه آلترناتیوهای همسان بین تصمیم گیرندگان وجود ندارد.
نوع سوم رویکرد مدل های چندگانه است ماند دفاع شیطان [11] (Devil's advocacy) ، تحقیق مناظره ای [17] آزمون مفروضات استراتژیک [18] که مدل های متفاوت را در تلاش برای دستیابی به سازگاری گروهی مقایسه می کند این تعدیل ناسازگاری اینجا مفید واقع نمی شد زیرا امکان دارد مدل مرجعی برای انتخاب وجود نداشته باشد [17] حتی اگر چنین مدلی وجد نداشته باشد، باعث کاهش خلاقیت تفکر گروهی می شود.
طبقه چهارم بحث و مناظره است (مانند اثبات ساختار یافته [18] که می تواند سیستم مساله را بسیار قابل هضم تر بسازد این رویکرد هم در مورد ما کمتر قابل استفاده است.
به همان دلیل که در مور رویکرد تجزیه ذکر شد.
آخرین رویکرد یادگیری ماشینی است که ماتریس تصمیم چند شاخصه را با ارزیابی های ناقص به جدول تصمیم تبدیل مرکز و قوانین تصمیم گیری Rough set theory را به کار می گیرد .
این تکنیک نیز برای تصمیم گیری گروهی مناسب نیست [19,20] زیرا برای یک تصمیم گیرنده طراحی شده است.
در مقاله جاری ما یک رویکرد جایگزین را برای مساله جدید تعدیل ناسازگاری مان پیشنهاد می دهیم که این رویکرد 2 نوع تکنیک یادگیری را همگرا میکند.
این رویکرد ابتدا یادگیری دانش گروهی را برای تعیین مقادیر خصوصیت آن آلترناتیوهایی که جدیداً یادگرفته شده اند بکار میگیرد در حالی که نیاز سازگاری گروهی را برآورده می سازد.
در بخش 2، آزمون ورودی MBA چین به عنوان نمونه ای از مساله تعدیل ناسازگاری جدید خلاصه می شود.
بخش 3، رویکرد پیشنهادی ما را برای تعدیل ناسازگاری شرح می دهد.
کاربرد این رویکرد برای مصاحبه استخدامی MBA در بخش 4 گزارش می شود و بخش 5 نتیجه مقاله است.
2- تصمیمات گروهی درآزمون ورودی MBA چین (MBAEE) به عنوان کاربدی مهم از فرایند تعدیل ناسازگاری پیشنهادی ما، این بخش به طور خلاصه اصول اساسی MBAEE چین را معرفی می کند و ناسازگاریهای ممکن را در فرایند تحلیل می کند.
1-2- توصیف MBAEE چین.
همراه با رشد اقتصادی باثبات چین، آموزش های حرفه ای مانند MBA و مدیریت اداره عمومی (MPA) در سالهای اخیر به سرعت توسعه یافتهاند.
چین آموزش MPA را در 1991 آغاز کرد، تا 2002 ، 47000 دانشجوی MBA از 65 دانشگاه در چین فارغالتحصیل شده ا ند، در سال 2003 ، 36210 متقاضی گذراندن آزمون ورودی MBA بودند و 8898 دانشجو بالاخره به عنوان کاندیداهای دوره MBA پذیرفته شدند.
[21] در طول فرایند توسعه آموزشی، MBAEE چین از یک آزمون نوشتاری به یک توالی 9 مرحله ای که بیشتر طبیعت GDM دارد تغییر یافته است.
مطابق با انجمن مشاوره آموزشی MBA ملی چین [22] ، 9 مرحله آزمون ورودی شامل مراحل زیر هستند.
قدم اول: گیرنده شرایط متقاضی: در این قدم بررسی می شود که آیا متقاضی شرایط یا نیازمندی های اصلی را در زمینه آموزش، حرفه و ...
دارد یا نه؟
قدم دوم: آزمون کتبی قدم سوم: مرور پیش زمینه متقاضی: این قدم پیش زمینه و وضعیت شخصی متقاضی را بررسی می کند.
قدم چهارم: صلاحیت مصاحبه: این قدم نتایج قدم های 2 و 3 را با هم ترکیب میکند و مشخص می کند چه کسانی باید در مصاحبه شرکت کند.
قدم پنجم: مصاحبه پذیرش: متخصصانی از دانشگاهها و مراکز تجاری تصمیم می گیرند که کدام متقاضی واجد شرایط کاندید شدن برای دوره MBA هست.
قدم ششم: شرایط امکان انتقال: بعضی متقاضیان که مرحله 4 را گذراندهاند اما موفق به گذر از مرحله 5 نشده اند می توانند امکان پذیرفته شدن از سوی دانشگاههای دیگر را بیابند.
این امکان انتقال نیز توسط انجمن بررسی می شود.
قدم هفتم: معاینه سلامتی قدم هشتم: مرور آرشیوهای شخصی متقاضی: این گام تجارت کاری و دستاوردهای متقاضی را در مدیریت کسب و کار بررسی می کند.
قدم نهم: پذیرش نهایی: متقاضیانی که قدم های 8-1 را گذراندهاند از سوی انجمن پذیرفته میشوند.
این قدم ها می تواند به سادگی موردنظر قرار گیرد اما قدم دوم در فرایند بالا، شامل GDM می شود و همه این قوم ها درگیر بازیهای حذف هستند.
2-2- ناسازگاری محتمل در MBAEE چین مصاحبه پذیرش (قدم پنجم) تقریباً همیشه با چالشهای مسأله جدید تعدیل ناسازگاری که در بخش قبل شرح داده شده است روبرو می شود و این موضوع یک مشکل GDM نوعی در فرایند MBAEE به شمار می آید.
متخصصان دانشگاه ها و مراکز تجاری، متقاضیان را (عناصر مجموعه آتوناتیوهای مقدماتی) بنابر مهارت های ارتباطی شان، پاسخ گویی، تفکر منطقی، توانایی خوب کار کردن با دیگران و پتانسیل موفقیت در برنامه ارزیابی می کنند با توجه به محدودیت های فیزیکی تسهیلات آموزشی (مانند تعداد کلاس های درس و اعضای هیئت علمی) هر تصمیم گیرنده (متخصص) در گروه باید صرفاً یک زیر مجموعه از متقاضیان را ارزیابی و انتخاب کند.
در طی زمان مصاحبه پذیرش (min 15-10) ، متخصصان زمان کافی برای دستیابی به همه اطلاعات ضروری از همه مشخصات تمام متقاضیان ندارند.
علاوه بر آن، پیش زمینه های متفاوت متخصصان امکان دارد در ترجیح اولویتهای مشخصات منتخب مداخله کند.
[23].
بنابراین تصمیم گیرندگان مختلف امکان دارد به نتایج متفاوت برسند.
بنابراین، GDM بر مبنای چنین نتایجی ممکن است بعضی از متقاضیان MBA را از پذیرش نهایی محروم کند و اینکه از چه نوع رویکرد تجمعی اولویت گروهی استفاده شود تأثیری ندارد.
مثلاً، 4 متخصص را در نظر می گیریم که یک گروه تصمیم گیری را برای مصاحبه پذیرش MBA تشکیل می دهند.
.
آنها 6 متقاضی را بر مبنای 3 خصوصیت بررسی می کنند.
توانایی ارتباطات ، تفکر منطقی ، و پتانسیل کارای موفق در برنامه .
نتایج تصمیم گیری فرضی در جدول 4-1 آلیست شده است.
جدول 4-1 نشان می دهد که نتایج برای متقاضی ممکن است ناسازگار باشد.
این یک مسأله ناسازگاری است که در این ادبیات به طور گسترده بررسی شده است.
ارزیابی متقاضی از سوی با ارزیابی آن از سوی ناسازگار است.
به این دلیل که باور دارد که متقاضی شایسته نیست و او را از ارزیابی اش حذف می کند.
این مسأله ناسازگاری جدید است که در این مقاله مورد توجه قرار گرفته است.
با این تفاصیل، ما هیچ رویکرد موجودی را نیافته ایم که بتواند مستقیماً مسأله تعدیل ناسازگاری جدید ما را حل کند.
اگر ما از این ناسازگاری چشم پوشی کنیم و مستقیماً اولویت های گروه را همگرا کنیم.
بعضی متقاضیان عالی ممکن است بدون توجه به رویکرد تجمعی اولویت گروهی حذف شوند.
برای مثال، اگر ما از تئوری سودمندی گروهی (group utility) استفاده کنیم، تصمیم گروه بر صرفاً ارزیابی و انعکاس می یابد.
بنابراین یافتن قانون مناسب برای اطمینان از انتخاب توسط گروه دشوار است.
اگر ما تجمیع اولویت گروه را بکار گیریم با استفاده از فرایند تحلیل سلسله مراتبی (AHP) ، ممکن است نتیجه هر طبقه را به دلیل تعداد سطرهای متفاوت ماتریس های متفاوتی که از سوی تصمیم گیرندگان مختلف داده میشوند به دست نیاوریم.
هیچ قانون بوردا (Borda’s Rule) نمی تواند برای این مسأله استفاده شود به دلیل اینکه رأیهایی که همه تصمیم گیرندگان می دهند باید برای دستیابی به تصمیم گروهی بکار گرفته شود.
زمانی که متقاضیان حداقل 2 رأی دارند، اگر یکی از بین 6 متقاضی الزاماً حذف شوند، صرفاً یک شانس خواهد بود.
بنابراین ما رویکردی تجدید نظر شده را برای رویارویی موثر با این مسأله تعدیل ناسازگاری جدید نیاز خواهیم داشت.
3- رویکردی جدید به تعدیل ناسازگاری بر مبنای Rough set Theory ، ما اکنون رویکرد جدیدی را برای مسأله تعدیل ناسازگاری که در بالا ذکر شد پیشنهاد می کنیم.
این رویکرد، 2 نوع تکنیک یادگیری را همگرا می کند.
در بکارگیری یادگیری ماشینی، ابتدا الگوریتم خصوصیت را شرح می دهیم.
1-3- الگوریتم گسسته خصوصیت Rough set Theory ابتدا از سوی [26 و 25] Pawlak مطرح شد و در استدلال و اکتساب دانش برای سیستم های خبره بکار گرفته شده است.
[27].
به این دلیل که داده ها در یک ماتریس تصمیم گیری چند معیاره ممکن است پیوسته باشند، باید هر خصوصیت پیوسته، قبل از بکارگیری این تئوری، گسسته شود.
یک ماتریس تصمیم گیری چند معیاره برای در جدول 5 نشان داده شده است.
در جدول 5 ، یک مجموعه آلترناتیو است که از سوی در ماتریس تصمیم گیری اش ارزیابی می شود و به صورت زیر تعریف می شود.
یک خصوصیت مسأله تصمیم گیری است، وزن اهمیت متناظر برای ، است و مقدار سودمندی آلترناتیو تحت خصوصیت است که توسط ارزیابی می شود و به دلیل ناسازگاری بین تصمیمات/ انتخاب های تصمیم گیرندگان مختلف امکان دارد که اگر فرایند گسسته کردن خصوصیت، بخشبندی دامنه مقادیر پیوسته آن به فواصل فرعی مناسب است.
رویکردهای متعددی برای چنین گسسته سازی وجود دارند مانند رویکردی که جداسازی را با فواصل برابر انجام می دهد [31] ، تکرار یکسان در هر فاصله [32] ، انتروپی کوچکترین طبقه [33] (minimal-class-entropy) و تحلیل دسته ای [A3] .
این رویه ها با درجه ای از وابستگی هدایت می شوند.
[29].
البته این مورد صرفاً سطح ناسازگاری خصوصیات تصمیم را از میان همه خصوصیات محیطی بازتاب می دهد.
[29] و به ویژه آن که نقصان اطلاعات اصلی را در فرایند گسسته سازی بررسی نمی کند.
بنابراین به مقیاس عملکرد جدیدی برای هدایت گسسته کردن دامنه مقادیر خصوصیت نیاز داریم.
در تصمیم گیری چند معیاره، این موضوع که وزن هدف، ارزیابی سودمندی خصوصیت آلتوناتیوها را بازتاب می دهد به خوبی درک شده است [25].
در Rough set Theory [25] ، اهمیت خصوصیات محیطی بر مبنای گسستهسازی (که به عنوان علامت گذاری شده است.) باید با وزن خصوصیت سازگار باشد.
بنابراین با مقیاس عملکرد گسستهسازی خصوصیت را برای به صورت زیر تعریف می کنیم: (2) معادله دوم، میانگین اختلاف بین وزن های هدف را با وزن های اهمیت خصوصیات محیطی اندازه می گیرد و آن را مقیاس عملکرد گسستهسازی خصوصیت معرفی می کند.
این مقیاس می تواند گسسته کردن حوزه مقادیر خصوصیت را هدایت کند که مورد مذکور هم نیازمندی های بالا را مرتفع میسازد و نیز همزمان نقصان اطلاعات اصلی را در مقایسه با گسستهسازی هدایت شده از طریق درجه وابستگی، کاهش می دهد.
[35] همانگونه که در بالا، دقت شرح داده شد [35]، درجه قابل توصیف از دانش برابر است با وزن اهمیت خصوصیت محیطی متناظر، زمانی که فرایند گسستهسازی منجر می شود به مجموعهای از وزن های اهمیت برای خصوصیات محیطی، این فرایند از طریق مقیاس عملکرد بالا هدایت می شود.
بنابراین مورد مذکور می تواند دقت وزن های اهمیت خصوصیات محیطی را بهبود دهد و بنابراین درجه قابل تشخیص دانش را نیز بهبود می دهد.
الگوریتمی که به دنبال می آید و برای گسستهسازی حوزه مقادیر خصوصیت استفاده می شود بر مبنای رویکردی است که از سوی Chmielewski پیشنهاد شده است [29] ، و از طریق مقیاس عملکرد در معادله (2) تعریف میشود.
الگوریتم 1 گسسته سازی حوزه مقادیر خصوصیت قدم اول: مقادیر پیوسته خصوصیت توسط معادله زیر نرمالایز می شوند زمانی که اهمیت های خصوصیت را برای انعکاس می دهد، ما آنها را بر اساس مقادیر از طریق رویکرد انتروپی [36] محاسبه می کنیم.
قدم دوم: دامنه مقدار پیوسته را با فاصله مشخص می کنیم.
این فاصله ابتدا به 2 طبقه تقسیم می نمود [A3] .
این بخش را بر اساس رویکردی که در ضمیمه 1 شرح داده شده است محاسبه کنیدد.
قدم سوم: را بر طبق معادله 2 محاسبه کنید.
قدم چهارم: برای افزودن یک نقطه برش امکان پذیر در فاصله جستجو کنید و را بعد از افزودن با استفاده از معادله (2) محاسبه کنید.
اگر مقیاس عملکرد بعد از افزودن این نقطه بدین بهبود یافت این نقطه برش را در این فاصله بیافزایید.
قدم پنجم: اگر همه نقاط برش ممکن تست شدند یا مقیاس عملکرد فرایند گسسته سازی خصوصیت رضایت بخش بود توقف کنید والا به گام 4 بازگردید.
در گام 5 ، تعداد همه نقاط برش ممکن برای هر است.
می تواند گسسته شود با استفاده از تکنیک های دسته بندی و مانند پهنای فاصله یکسان [33] ، تکرار برابر در هر فاصله [34] و غیره با دنباله روی از فرایند گسستهسازی خصوصیت پیشنهاد شده، ماتری تصمیم گیری (جدول 5) به جدول تصمیم گیری تبدیل می شود.
2-3- تعدیل ناسازگاری از طریق استدلال درباره یادگیری و دانش گروهی گسستهسازی خصوصیت در بخش قبل توضیح داده شد.
اما میتوانیم ناسازگاری را بین نتایج تصمیم گیری هر فرد با استفاده از استدلال درباره یادگیری و دانش گروهی تعدیل کنیم.
استدلال درباره سازنده، قوانین قیاسی به دست آمده را درگیر می سازد، در حالی که یادگیری تحلیل می کند که قوانین دانش ابتدایی را تغییر خواهند داد.
خلاصه الگوریتم تعدیل ناسازگاری پیشنهاد شده در ادامه خواهد آمد: الگوریتم 2: تعدیل ناسازگاری قدم اول: را به 2 بخش تقسیم کنید: بخش سازگار M و بخش ناسازگار ، ، .
قدم دوم: به ازای هر ، تصمیم گیرندگان گروه را به 2 بخش تقسیم کنید.
بخش اول شامل آنهایی هستند که مجموعه آلترناتیوهایشان، آلترناتیوهای را در بر می گیرد قدم سوم: وزن را با نشان دهید به ازای هر ، و را نشان دهید.
وزن های تصمیم گیرندگان در را توسط رابطه زیر نرمالایز کنید.
سودمندی مورد انتظار می تواند محاسبه شود.
جهت افزودن سودمندی مورد انتظار به ماتریس تصمیم گیری تلاش کنید.
می توان به قوانین تصمیمگیری قیاسی را از طریق تخصیص سودمندی مورد انتظار به فاصله متناظری که از الگوریتم 1 بدست آمده است، دست یافت.
قدم چهارم، کیفیت یادگیری را پس از افزودن قانون تصمیم گیری قیاسی محاسبه کنید.
اگر این قانون جدید است و با قوانین تصمیم گیری اولیه تعارض دارد، کیفیت یادگیری برای می تواند به صورت زیر محاسبه شود.
(8) در معادله 8 ، طبقه متعادل (متوازن) مربوط با است.
اگر قانون قیاسی جدید نباشد، یا جدید باشد اما با قوانین قبلی در جدول تصمیمگیری جور باشد، کیفیت یادگیری از معادله زیر بدست خواهد آمد.
قدم پنجم: کیفیت یادگیری گروهی را برای با استفاده از معادله زیر محاسبه کنید.
اگر ، قانون قیاسی را بپذیرید و سپس سودمندی مورد انتظار را به ماتریس تصمیم بیافزایند.
در غیر این صورت، این قانون را رها کنید.
( از سوی گروه برای کیفیت یادگیری از قبل تعیین می شود) متذکر شوید که کیفیت یادگیری قانون تصمیم قیاسی همانگونه که در گام 4 محاسبه شد، بر اساس Ziarko [38] بنا می شود.
باید به یاد داشت که الگوریتم 2 ابتدا آلترناتیو ناسازگار را بین مجموعه های آلترناتیو می یابد.
در مرحله بعد، آن تصمیم گیرندگانی که آلترناتیو را ندارند از آلفایی که آن را در اختیار دارند یاد می گیرند از طریق بکارگیری الگوریتم 2 ، ناسازگاری مجموعه های آلترناتیوها می توانند تعدیل شوند.
اگرچه گسستهسازی به نقصان قابل توجهی در اطلاعات اصلی حکایت دارد، باید تأکید کرد که در الگوریتم بالا، برای یادگیری گروهی و تعدیل ناسازگاری نسبت به تجمع ماتریس تصمیم استفاده بیشتری دارد.
به علاوه، مقیاس عملکردی که برای گسسته سازی خصوصیت تعریف می شود کمبود اطلاعات اصلی را در مقایسه با مقیاس های عملکردی موجود مانند درجه وابستگی کاهش می دهد.
4- کاربرد همانگونه که در بخش 2 ذکر شد، مصاحبه پذیرش قدمی مهم در فرایند MBAEE چینی به شمار می آید.
ما اینجا به اثبات کاربرد و تأیید رویکردمان در سناریو مصاحبه ای که در ادامه می آید، می پردازیم.
یک گروه تصمیم گیری برای مصاحبه پذیرش شامل 4 متخصص پیشنهاد می شود.
، 2 پروفسور دانشگاه هستند، رئیس منابع انسانی یک مرکز تجاری است، مدیر بازاریابی یک شرکت دیگر است.
آنها ارزیابی خواهند کرد یا تصمیم خواهند گرفت درباره مهارت های ارتباطی ، تفکر منطقی و پتانسیل متقاضیان برای عملکرد بالا در برنامه با توجه به محدودیت های اطلاعات و دانش تصمیم گیرندگان، آنها متقاضیان را ارزیابی می کنند و ماتریس های تصمیم جداول 9-6 را ایجاد می کنند.
در جداول تا بدین گونه مشخص می شوند ، ، بنابراین همانگونه که مشاهده می شود ناسازگاری بین مجموعه های آلترناتیوهای تصمیم گیرندگان مختلف وجود دارد برای تعدیل این ناسازگاری، از الگوریتم استفاده می کنیم.
جداول تصمیم منتج شده از این الگوریتم در جدول 13-10 آمده اند، با بکارگیری رویکرد انتروپی [36] ، وزن های خصوصیت متناظر مقادیر زیر به دست آمده اند.
( ) ( ) ( ) ( ) فرض کنید وزن های اهمیت DM ها به ترتیب 2/0 ، 3/0 ، 3/0، 2/0 باشد.
از الگوریتم 2 ، می باشد.
سودمندی های مورد انتظار به ترتیب (4022%) ، ( ) ، ( ) و ( ) هستند.
و قوانین تصمیم قیاسی که بدست آمدند هستند.
کیفیت های یادگیری درباره به ترتیب 67/0 و 6/0 هستند.
در حالی که کیفیت یادگیری گروهی 642/0 است.
و قانون تصمیم قیاسی است با کیفیت یادگیری گروهی برابر 1 می شود.
با قانون های تصمیم قیاسی می شود و .
کیفیت های یادگیری درباره ، 1 و 6/0 است.
در حالی که کیفیت یادگیری گروه 8/0 است.
اگر گروه در تعیین شود.
آنها را خواهند پذیرفت اما را حذف می کنند.
در ادامه تحلیل بالا، مجموعه آلترناتیوهای سازگار برای همه تصمیم گیرندگان است و ماتریس های تصمیم منتج شده از تحلیل در جداول 17-14 آمده اند.
تصمیم گروهی را می توان با تجمیع این ماتریس های تصمیم با استفاده از تکنیک های تجمیع شناخته شده اتخاذ کرد.
5- خلاصه و نتیجه گیری GDM نقشی مرکزی در حل مسأله را میان چنین محیط اقتصادی- اجتماعی که به طور فزاینده پیچیده تر می شود، ایفا میکند.
این مقاله سعی در بررسی یک مسأله تعدیل ناسازگاری جدید دارد که ویژگی آن داشتن تصمیم گیرندگان مختلف با انتخاب ها/ آلتوناتیوهای متفاوت است.
براساس تئوری Rough set Theory ، ما رویکرد نوینی جهت حل این مسأله پیشنهاد کردیم که 2 نوع تکنیک یادگیری را همگرا می کند.
این رویکرد ابتدا یادگیری ماشینی را با بررسی آلترناتیوهایی که در مجموعه آلترناتیوهای یک تصمیم گیرنده حضور ندارند اما برای دیگر تصمیم گیرندگان گروه در دسترس هستند، آغاز میکند.
رویکرد فوق سپس یادگیری دانش گروهی را برای تعیین مقادیر خصوصیت متناظر آن آلترناتیوهایی که به تازگی آموخته شده اند همزمان با مواجه با نیاز به سازگاری گروهی به کار می گیرد.
به عنوان یک کاربرد، ما آزمون ورودی MBA چین را بررسی کردیم که شامل یک سری نسبتاً گسترده از فرایندهای GDM بود.
متخصصانی از مراکز تجاری و دانشگاه ها، متقاضیان MBA را بر مبنای دانش و اطلاعات خودشان ارزیابی کردند مجموعه های آلترناتیوهایی که از این روش حاصل می شوند ممکن است ناسازگار باشند.
همانگونه که اخیراً نشان داده شد وقتی ما از رویکرد پیشنهادی مان استفاده می کنیم مجموعه آلترناتیوهای ناسازگار برای همه اعضاء گروه ایجاد میشوند.
این شاهدی است بر سودمندی مدل در یک فرایند تصمیم گروهی پیچیده اما واقعی.
زمانیکه رویکرد ما می تواند به سادگی به طور الکترونیکی اجرا شود، قابلیت پوشش تنوع گسترده ای از مسائل و تنظیمات تصمیم را دارد.
با توجه به MBAEE چین، کارایی و اثربخشی می توانند بیشتر تقویت شوند مطابق آنچه در ادامه می آید: بجای استفاده از قانون ساده اکثریت یا قانون Borda برای ارزیابی های متخصصان، ابتدا از رویکردها در تعدیل ناسازگاری مجموعه های آلترناتیوها استفاده کنید.
سپس، به متخصصان برای بازنگری، بازخورد دهید.
تصمیم گروهی بنابراین بر اساس تجمیع نتایج تعدیل ناسازگاری تأیید شده خواهد بود.
کاربردهای بالقوه رویکرد ما انتخاب شریک زنجیره تأمین و مسائل تشخیص را نیز بدون اینکه محدود شوند، شامل می شوند.
(مانند تشخیص طبی و تجهیزات).
در چنین مسائلی، تصمیم گیرندگان از بخش های مختلف یا با متخصصان متفاوت می توانند به خوبی مجموعه های آلترناتیو متفاوت داشته باشند.
ضمیمه 1: محاسبه برای یک بخش را به این صورت تعریف کنید.
درجه وابستگی d از یک ارتباط متوازن می تواند به صورت زیر محاسبه شود.
(1-A) در معادله (1-A) جائیکه علامت تقریب کمتر C- از x است.
اهمیت ممکن است با استفاده از ارزیابی شود.و برای 3 مورد ممکن وجود دارد.
جاییکه اهمیت همه آلترناتیوها یکسان برای اگر (1) است ما میتوانیم بگذاریم ما می توانیم نرمالیز کنیم به صورت به ازاء اگر (2) 3) اگر داشته باشیم برای بعضی از ، را محاسبه می کنیم اگر بزرگتر از 1 بود و اگر بود خواهد بود.