Een robuust besluitvormingsalgoritme voor het omgaan met onzekerheid in loopbaanplanning via een circulaire intuitionistische fuzzy SWARA WASPAS-methode

Waarom het kiezen van opleidingspaden zo moeilijk is

Veel studenten ronden beroepsopleidingen af om vervolgens te ontdekken dat het moeilijk blijft om een goede baan te vinden. Ze moeten kiezen tussen cursussen, begeleidingsdiensten en sollicitatieworkshops terwijl de behoeften van werkgevers voortdurend veranderen. Dit artikel onderzoekt hoe zulke programma's ontworpen en vergeleken kunnen worden op een manier die de rommelige realiteit van menselijk oordeel respecteert, waar experts onzeker zijn, van gedachten veranderen en het niet altijd eens zijn.

Beslissingen in een wereld van twijfel

Beslissingen over loopbaanopleidingen omvatten veel wisselende factoren: vaardigheden afstemmen op echte banen, jongeren helpen hun doelen te verhelderen, sollicitatiegewoonten aanleren en mensen werk houden over de tijd. Deze factoren kunnen in verschillende richtingen trekken, en experts zoals trainers, counselors en partners uit de industrie beschikken vaak slechts over gedeeltelijke of onzekere informatie. In plaats van hen te dwingen een enkele nette score te geven, laat de studie hun meningen ruimte voor aarzeling en twijfel, en legt vast hoe sterk ze een optie aanprijzen en hoe onzeker ze zich daarbij voelen.

Cirkels die onzekerheid vastleggen

Hiervoor gebruikt de auteur een recent idee uit de wiskunde dat meningen beschrijft als cirkels in plaats van punten. Elke cirkel toont hoeveel een expert naar een optie neigt of er tegen is, plus een band van onzekerheid rond dat oordeel. Dit rijkere beeld erkent dat een expert kan zeggen: “dit lijkt goed, maar ik ben er niet volledig zeker van.” Verder bouwend hierop past de studie twee populaire rangschikkingsinstrumenten aan: één die bepaalt hoe belangrijk elke factor is, en een andere die de concurrerende opleidingsprogramma's scoort en ordent. Beide instrumenten worden herschreven zodat ze direct met deze circulaire meningscirkels kunnen werken in plaats van met starre cijfers.

Weging van wat telt en scoren van opties

Het eerste deel van de methode richt zich op het wegen van de factoren die het belangrijkst zijn, zoals hoe goed vaardigheden bij banen passen, hoe duidelijk studenten zich voelen over hun loopbaan, hoe bereid ze zijn om te solliciteren, hoe vaak ze worden geplaatst en hoe lang ze in dienst blijven. Experts drukken hun meningen uit met alledaagse termen zoals “gemiddeld” of “zeer hoog,” die vervolgens worden vertaald naar de circulaire opinievorm. De methode vergelijkt factoren geleidelijk met elkaar en past hun gewichten aan terwijl de aarzeling van de experts zichtbaar blijft. Het tweede deel neemt meerdere concurrerende opleidingsmodellen, combineert alle deskundige meningen per factor en produceert scores met twee verschillende manieren om het bewijsmateriaal op te tellen. De scores worden vervolgens gemengd om een definitieve rangorde van de programma's te geven.

Testen in een realistische opleidingssituatie

Om te laten zien hoe dit in de praktijk werkt, bouwt de auteur een casestudy rond een beroepsinstituut dat de arbeidsresultaten wil verbeteren. Vijf programmastijlen worden vergeleken, variërend van eenvoudige vaardigheidstraining tot een volledig geïntegreerd model met gestructureerde planning, persoonlijke begeleiding en koppelingen met werkgevers. Experts uit het onderwijs, de counseling en de industrie beoordelen elke optie, opnieuw met alledaagse taal die in het circulaire opinionsysteem wordt omgezet. Wanneer de methode deze informatie verwerkt, steekt één optie bovenuit: het combineren van beroepsopleiding met basis loopbaancoaching staat consequent op de eerste plaats, voor de meer minimalistische trainingen en zelfs voor complexere geïntegreerde schema's.

Stabiele resultaten bij nadere beschouwing

De studie controleert daarna hoe fragiel deze rangschikkingen zijn. Ze varieert de belangrijkheid van de verschillende factoren en verschuift het evenwicht tussen de twee scoreformules. Ook meet ze hoe vergelijkbaar de rangordes zijn tussen methoden met een standaard statistische test. Over al deze controles blijft dezelfde programmakombinatie bovenaan staan, en verandert de volgorde van de andere opties zeer weinig. Dit suggereert dat de methode niet overdreven gevoelig is voor kleine aanpassingen of meningsverschillen tussen experts, een sleutelvereiste voor gebruik in echte onderwijs- en beleidsomgevingen.

Wat de studie betekent voor studenten en planners

Kort gezegd toont het artikel een manier om complexe beslissingen over opleidingen en loopbaanbegeleiding eerlijker te maken over onzekerheid zonder chaotisch te worden. Door deskundige meningen vaag en aarzelend te laten zijn, maar ze toch op een gestructureerde manier te combineren, identificeert de methode opties die zowel effectief als stabiel blijken in veel tests. Voor een niet-specialistische lezer is de conclusie dat het toevoegen van zelfs bescheiden loopbaancoaching aan beroepsopleidingen een duidelijk, betrouwbaar verschil kan maken in arbeidsuitkomsten, en dat zorgvuldige, onzekerheidsbewuste besluitvormingsinstrumenten scholen en instanties kunnen helpen zulke verbeteringen met meer vertrouwen te kiezen.

Bronvermelding: Chen, J. A robust decision making algorithm for handling uncertainty in career planning via a circular intuitionistic fuzzy SWARA WASPAS method. Sci Rep 16, 15953 (2026). https://doi.org/10.1038/s41598-026-45506-0

Trefwoorden: loopbaanplanning, beroepsopleiding, besluitvorming, fuzzy-logica, arbeidsmarktbegeleiding