Een methode voor meervoudige-criteria besluitvorming met probabilistische linguïstische termen gebaseerd op cloud-TOPSIS

Waarom kiezen onder onzekerheid ertoe doet

Wanneer gemeenschappen voor beslissingen met grote gevolgen staan — zoals hoe mensen te evacueren bij een nucleair ongeval — moeten leiders veel concurrerende belangen afwegen: veiligheid, kosten, stress en meer. Experts beschrijven deze factoren vaak met woorden als “klein risico” of “zeer grote schade” in plaats van exacte cijfers. Die woorden zijn nuttig voor mensen, maar onhandig voor computers. Dit artikel presenteert een nieuwe manier om zulke vage, probabilistische taal om te zetten in duidelijke, verantwoordbare rangschikkingen van opties, met als doel betere beslissingen te ondersteunen wanneer zowel risico als onzekerheid groot zijn.

Woorden omzetten in meetbare wolken

De auteurs bouwen voort op een familie van instrumenten die bekendstaat als meervoudige-criteria besluitvorming, waarmee opties worden vergeleken aan de hand van meerdere criteria tegelijk. In plaats van experts om precieze cijfers te vragen, laten ze hen antwoorden in alledaagse termen — zoals “zeer klein”, “middel” of “zeer groot” — en voegen ze aan elke term een waarschijnlijkheid toe om de mate van vertrouwen aan te geven. Deze “probabilistische linguïstische termen” worden vervolgens omgezet in wat de auteurs wolken noemen: eenvoudige numerieke objecten die drie dingen tegelijk vastleggen — de typische waarde, hoe vaag de term is, en hoe onzeker zelfs die vaagheid kan zijn. Met behulp van een wiskundig patroon gerelateerd aan de gulden snede plaatst de methode deze wolken langs een schaal op een manier die goed aansluit bij hoe mensen gradaties van zeer klein tot zeer groot natuurlijk waarnemen.

Veel meningen samensmelten tot één beeld

In de praktijk berusten beslissingen zelden op één enkele expert. Het nieuwe kader introduceert een manier om meerdere expertwolkensamen te voegen tot één gecombineerde wolk voor elke optie en elk criterium. Experts met helderdere, meer zelfverzekerde opvattingen wegen zwaarder in het resultaat, terwijl de algehele onzekerheid behouden blijft. De auteurs ontwerpen ook een nieuwe maat om de afstand tussen twee wolken te meten. Deze afstand weerspiegelt niet alleen het verschil in typische waarden, maar ook verschillen in vaagheid en willekeurigheid. Cruciaal is dat de methode meningen eerlijk kan vergelijken, zelfs wanneer experts verschillende mengsels van linguïstische termen hebben gebruikt, waardoor informatieverlies zoals bij oudere technieken wordt vermeden.

Van wolkenvergelijking naar gerangschikte keuzes

Om deze wolken om te zetten in een rangorde van opties, past de studie een bekende methode aan genaamd TOPSIS, die elke alternatief vergelijkt met een ideaal beste en een ideaal slechtste. Hier zijn die idealen zelf wolken, die de meest gunstige en minst gunstige denkbare beoordelingen over alle criteria representeren. Voor elk evacuatieplan berekent de methode hoe dicht zijn wolken bij het ideale beste liggen en hoe ver ze van het ideale slechtste verwijderd zijn, rekening houdend met het relatieve belang van elk criterium. Het resultaat is een enkele score voor elk plan die de vaagheid en willekeurigheid in de oorspronkelijke experts-taal respecteert, maar toch een heldere ordening oplevert van welke opties beter of slechter zijn.

De methode testen met nucleaire evacuatieplannen

Om de methode in de praktijk te tonen simuleren de auteurs een nucleaire noodsituatie waarbij drie experts vier evacuatiestrategieën evalueren. Ze beoordelen elk plan aan de hand van vier kostentypen criteria: de totale stralingsdosis voor de bevolking, de maximale dosis voor een individu, psychische stress en economische verliezen. Experts geven hun beoordelingen in verbale termen en waarschijnlijkheden; de methode zet deze om in wolken, aggregeert ze en rangschikt de strategieën. De analyse identificeert één strategie als duidelijk de beste, en een gedetailleerde gevoeligheidsstudie toont dat deze rangorde stabiel blijft, zelfs wanneer de veronderstelde belangstoekenning van elk criterium of bepaalde onzekerheidsparameters sterk variëren. De auteurs vergelijken hun resultaten ook met verschillende andere geavanceerde beslismethoden; ondanks het gebruik van zeer verschillende wiskunde, stemmen de sterkste concurrerende benaderingen in met de topkeuzes, wat vertrouwen geeft in het nieuwe kader.

Wat dit betekent voor beslissingen in de echte wereld

Simplistisch gezegd biedt de studie een manier om experts “met woorden te laten spreken” terwijl er toch “cijfers zijn om op te handelen.” Door verbale oordelen te representeren als wolken die zowel vaagheid als willekeur vastleggen, kan de methode rommelige, onzekere informatie verwerken zonder kunstmatige precisie af te dwingen. Ze vereenvoudigt eerdere cloud-gebaseerde technieken, vermindert computationele inspanning en levert nog steeds rangschikkingen op die goed overeenkomen met andere geavanceerde benaderingen. Hoewel het werk wordt gedemonstreerd op nucleaire evacuatieplanning, kan hetzelfde idee beslissingen ondersteunen in de gezondheidszorg, milieubescherming, infrastructuurplanning en elk ander vakgebied waar keuzes gemaakt moeten worden onder grote onzekerheid en expertmeningen in taal worden uitgedrukt in plaats van harde data.

Bronvermelding: Almandeel, A., Rao, C., Zhang, X. et al. A method for multi-criteria decision making with probabilistic linguistic term based on cloud TOPSIS. Sci Rep 16, 14122 (2026). https://doi.org/10.1038/s41598-026-44609-y

Trefwoorden: meervoudige-criteria besluitvorming, modellering van onzekerheid, linguïstische beoordeling, nucleaire noodplanning, besluitondersteunende methoden