Approche de distance floue pythagoricienne pilotée par un coefficient de tendance pour les problèmes de sélection dans l’enseignement supérieur et la gestion des déchets médicaux

Rendre les choix difficiles plus clairs

L’admission universitaire et l’élimination des déchets hospitaliers peuvent sembler sans rapport, mais les deux concernent des enjeux élevés et des informations imprécises. Les universités doivent classer des milliers de candidats sur la base de notes d’examen imparfaites, tandis que les hôpitaux doivent choisir des méthodes sûres pour traiter des déchets médicaux dangereux en contexte d’incertitude. Cette étude présente un outil mathématique conçu pour rendre ces choix complexes plus transparents, cohérents et équitables pour ceux qui dépendent de leurs résultats.

Pourquoi les nombres ordinaires ne suffisent pas

Les examens d’entrée et les avis d’experts semblent précis sur le papier, mais en pratique ils contiennent beaucoup de flou. Les notes peuvent être affectées par des problèmes techniques, des programmes mal alignés ou des barèmes peu clairs. Dans le test d’entrée universitaire du Nigeria, par exemple, les candidats et leurs familles remettent souvent en question les résultats, et les responsables peinent à obtenir des retours complets. De même, décider comment traiter les déchets médicaux implique de nombreux enjeux contradictoires, du coût et de la capacité aux risques sanitaires et à l’impact environnemental. Les méthodes « nettes » traditionnelles traitent chaque information comme certaine, ce qui peut masquer l’hésitation et mener à des choix qui semblent arbitraires ou instables.

Une façon plus riche de décrire des jugements incertains

Pour gérer la vagueness, les chercheurs ont développé des modèles « flous » qui permettent à un élément d’appartenir partiellement et de ne pas appartenir partiellement à une catégorie. Des travaux ultérieurs ont introduit l’idée que les personnes peuvent aussi être incertaines, ajoutant un degré séparé d’hésitation. Les ensembles flous pythagoriciens vont plus loin en offrant une liberté supplémentaire pour représenter la force d’un soutien en faveur d’un choix, la force d’une opposition et la part simplement inconnue. Ces trois composantes réunies reflètent mieux le jugement humain réel, qu’il s’agisse de l’aptitude d’un étudiant à un diplôme ou de la sécurité d’une méthode de traitement des déchets.

Mesurer la proximité avec des coefficients de tendance

Une fois l’information stockée sous cette forme plus riche, les décideurs ont encore besoin d’un moyen de comparer les options : quel candidat est le plus proche du profil idéal, ou quel système de gestion des déchets présente l’équilibre idéal entre sécurité, coût et praticité. Le cœur de cet article est une nouvelle façon de mesurer la « distance » entre options dans le cadre flou pythagoricien. L’innovation clé est l’utilisation de coefficients de tendance, des nombres qui captent combien de poids les parties favorables, défavorables et hésitantes de l’information doivent porter. Plutôt que de supposer ces poids, la méthode les déduit des données elles‑mêmes. Cela réduit les biais et améliore la capacité de la méthode à différencier des alternatives qui paraissent similaires au premier abord.

Tester la méthode sur des étudiants et des systèmes de traitement

Les auteurs appliquent leur mesure de distance à deux problèmes pratiques. D’abord, ils réanalysent les résultats d’examen de dix candidats postulant à un programme de médecine vétérinaire. En traitant chaque note de matière comme une valeur floue pythagoricienne puis en mesurant la proximité de chaque candidat par rapport à un profil « parfait », la méthode identifie le candidat le plus approprié avec une marge numérique claire et un haut degré de confiance. Ensuite, ils étudient cinq options de traitement des déchets médicaux, telles que l’incinération, la stérilisation par micro‑ondes et la désinfection chimique, évaluées selon huit critères incluant les risques sanitaires, les coûts d’exploitation et l’efficacité du traitement. Des experts fournissent des évaluations linguistiques comme « très significatif » ou « peu significatif », qui sont converties en données floues pythagoriciennes. En utilisant un cadre de classement standard connu sous le nom de TOPSIS avec la nouvelle distance, l’analyse sélectionne la stérilisation par micro‑ondes comme option la plus appropriée parmi celles considérées.

Comparaisons et signification

Pour vérifier si la nouvelle approche est réellement utile, les auteurs la comparent à plusieurs mesures de distance floue existantes. Dans les exemples d’admission et de gestion des déchets, leur méthode produit systématiquement des valeurs de distance plus petites et plus discriminantes, tout en restant en accord avec d’autres méthodes sur les options meilleures et pires. Cela suggère que la nouvelle mesure est à la fois stable et plus sensible aux petites différences. Des tests de sensibilité montrent également que l’inclusion explicite des coefficients de tendance améliore la précision sans modifier l’ordre global des choix, renforçant la confiance dans les résultats.

Des décisions plus claires dans des mondes incertains

Pour le grand public, l’essentiel est que ce travail offre une manière plus fidèle de transformer des jugements brouillés et hésitants en classements clairs. En modélisant soigneusement non seulement ce qui est connu mais aussi ce qui est douteux ou indécis, et en laissant les données déterminer elles‑mêmes la force relative de chaque composante, la méthode aide les universités à sélectionner des candidats et les hôpitaux à choisir des systèmes de traitement des déchets avec davantage de confiance. Bien que l’étude se concentre sur les notes d’examen et les déchets médicaux, les mêmes idées peuvent être étendues à de nombreux autres domaines où des décisions importantes doivent être prises en situation d’incertitude.

Citation: Ejegwa, P.A., Anum, M.T., Kausar, N. et al. A tendency coefficient–driven Pythagorean fuzzy distance approach for selection problems in higher education and medical waste management. Sci Rep 16, 14751 (2026). https://doi.org/10.1038/s41598-026-46844-9

Mots-clés: ensembles flous pythagoriciens, prise de décision, admissions universitaires, gestion des déchets médicaux, TOPSIS