Een Pythagoreïsch-vagende afstandsbenadering gestuurd door neigingcoëfficiënten voor selectieproblemen in hoger onderwijs en medisch afvalbeheer

Lastige keuzes helder maken

Universitaire toelating en ziekenhuisafvalverwerking lijken misschien niet verwant, maar beide hebben veel op het spel en werken met onduidelijke informatie. Universiteiten moeten duizenden aanmelders rangschikken op basis van onvolmaakte examencijfers, terwijl ziekenhuizen veilige manieren moeten kiezen om gevaarlijk medisch afval onder onzekere omstandigheden te behandelen. Deze studie introduceert een wiskundig hulpmiddel dat bedoeld is om zulke complexe keuzes transparanter, consistenter en eerlijker te maken voor de mensen die op de uitkomsten vertrouwen.

Waarom gewone cijfers niet genoeg zijn

Toelatingsexamens en deskundige oordelen lijken op papier precies, maar in de praktijk bevatten ze veel vaagheid. Scores kunnen worden beïnvloed door technische storingen, niet-aansluitende curricula of onduidelijke correctieschema’s. Bij het Nigeriaanse toelatingsexamen voor universiteiten bijvoorbeeld betwijfelen aanvragers en ouders vaak de resultaten, en ambtenaren hebben te kampen met onvolledige terugkoppeling. Evenzo brengt de beslissing over hoe medisch afval te behandelen vele conflicterende belangen met zich mee, van kosten en capaciteit tot gezondheidsrisico’s en milieu-impact. Traditionele “scherpe” methoden behandelen elk informatie-element als zeker, wat aarzeling kan verbergen en kan leiden tot keuzes die willekeurig of onstabiel aanvoelen.

Een rijkere manier om onzekere oordelen te beschrijven

Om met vaagheid om te gaan, hebben onderzoekers “vage” modellen ontwikkeld die toelaten dat iets gedeeltelijk wel en gedeeltelijk niet tot een categorie behoort. Latere werken introduceerden het idee dat mensen ook onzeker kunnen zijn en voegden een aparte graad van twijfel toe. Pythagoreïsche vagende verzamelingen gaan een stap verder door extra vrijheid te geven om te representeren hoe sterk iets een keuze ondersteunt, hoe sterk het ertegen spreekt en hoeveel eenvoudigweg onbekend is. Deze drie componenten samen weerspiegelen het menselijke oordeel beter, of het nu gaat om de geschiktheid van een student voor een opleiding of de veiligheid van een afvalverwerkingsmethode.

Nabijheid meten met neigingcoëfficiënten

Als informatie eenmaal in deze rijkere vorm is vastgelegd, hebben besluitvormers nog steeds een manier nodig om opties te vergelijken: welke student ligt het dichtst bij de ideale aanmelder, of welk afvalsysteem benadert het ideale evenwicht tussen veiligheid, kosten en bruikbaarheid. De kern van dit artikel is een nieuwe manier om “afstand” tussen opties te meten binnen het Pythagoreïsch-vagende kader. De belangrijkste innovatie is het gebruik van neigingcoëfficiënten, getallen die vastleggen hoeveel gewicht de ondersteunende, tegenwerkende en aarzeling-onderdelen van de informatie moeten dragen. In plaats van deze gewichten aan te nemen, leidt de methode ze af uit de data zelf. Dit vermindert vooringenomenheid en verbetert het vermogen van de methode om alternatieven te onderscheiden die op het eerste gezicht vergelijkbaar lijken.

De methode testen op studenten en afvalsystemen

De auteurs passen hun afstandsmaat toe op twee praktische problemen. Eerst analyseren ze opnieuw examencijfers van tien aanvragers die toelating zoeken tot een opleiding diergeneeskunde. Door elk vakresultaat als een Pythagoreïsche vagende waarde te behandelen en vervolgens te meten hoe dicht elke aanvrager bij een “perfect” profiel ligt, identificeert de methode de meest geschikte kandidaat met een duidelijke numerieke marge en een hoge mate van vertrouwen. Ten tweede bestuderen ze vijf opties voor de behandeling van medisch afval, zoals verbranden, microwaven en chemische desinfectie, beoordeeld aan de hand van acht criteria waaronder gezondheidsrisico’s, bedrijfskosten en behandel efficiëntie. Deskundigen geven taalkundige beoordelingen zoals “zeer significant” of “weinig significant”, die worden omgezet in Pythagoreïsche vagende data. Met behulp van een standaard rangschikkingskader bekend als TOPSIS, samen met de nieuwe afstandsmaat, selecteert de analyse microwaven als de meest geschikte optie onder de beschouwde keuzes.

Hoe het zich verhoudt en waarom het ertoe doet

Om te beoordelen of de nieuwe benadering echt nuttig is, vergelijken de auteurs deze met verschillende bestaande vage afstandsmaatregelen. In zowel de toelatings- als de afvalbeheer voorbeelden levert hun methode consequent kleinere en meer onderscheidende afstandswaarden op, terwijl ze nog steeds overeenstemming vertoont met andere methoden over welke opties het beste en het slechtste zijn. Dit suggereert dat de nieuwe maat zowel stabiel is als verfijnder in het detecteren van kleine verschillen. Gevoeligheidscontroles tonen ook aan dat het expliciet opnemen van neigingcoëfficiënten de nauwkeurigheid verbetert zonder de algehele ordening van keuzes te veranderen, wat het vertrouwen in de resultaten versterkt.

Helderdere beslissingen in onzekere werelden

Voor de niet-expert is de conclusie dat dit werk een meer getrouwe manier biedt om rommelige, aarzelende oordelen om te zetten in duidelijke ranglijsten. Door zorgvuldig niet alleen te modelleren wat bekend is maar ook wat twijfelachtig of onbeslist is, en door de data zelf te laten aangeven hoe sterk elk onderdeel moet meewegen, helpt de methode universiteiten om aanmelders te kiezen en ziekenhuizen om afvalsystemen te selecteren met grotere zekerheid. Hoewel de studie zich concentreert op examencijfers en medisch afval, kunnen dezelfde ideeën worden uitgebreid naar vele andere gebieden waar belangrijke beslissingen onder onzekerheid moeten worden genomen.

Bronvermelding: 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

Trefwoorden: Pythagoreïsche vagende verzamelingen, besluitvorming, universitaire toelating, beheer van medisch afval, TOPSIS