Podejście intuicjonistycznie nieostre oparte na współczynniku korelacji i energii Laplace’a bez znaku z zastosowaniami

Rozsądne wybory, gdy informacje są nieostre

Wielkie decyzje — na przykład inwestycja w samochód elektryczny, nową technologię czy projekt publiczny — rzadko zapadają przy pełnej wiedzy. Eksperci mogą być jedynie częściowo przekonani, mogą się różnić w opiniach lub wahać z powodu niepewnej przyszłości. Artykuł przedstawia matematyczne narzędzia zaprojektowane tak, by wierniej uchwycić to wahanie i rozbieżności, dzięki czemu grupy mogą podejmować wybory przejrzyste i odporne, gdy fakty są niejasne.

Dlaczego zwykłe średnie nie wystarczają

Większość metod decyzyjnych zakłada, że każda opcja może być oceniona jednoznacznie na skali, a następnie uśredniona lub ważona, aby otrzymać ranking. W rzeczywistości eksperci często myślą w kategoriach takich jak „prawie dobre”, „chyba nie” czy „nie jestem pewien”. Tradycyjna logika nieostra pozwala wyrazić, jak mocno coś należy do danej kategorii, lecz nie oddaje jednocześnie wyraźnie sprzeciwu i wątpliwości. Autorzy rozwijają bogatszą koncepcję zwaną „intuicjonistycznym grafem nieostrym”, w którym każde połączenie niesie trzy informacje: w jakim stopniu eksperci je popierają, w jakim stopniu mu przeciwdziałają oraz jak bardzo są niepewni. Daje to bardziej żywy obraz złożonych, ludzkich ocen.

Łączenie struktury i podobieństwa

Gdy opinie ekspertów zostaną zakodowane w postaci takiego grafu, pojawia się pytanie, jak przekształcić tę strukturę w uczciwy ranking opcji. Artykuł łączy dwie komplementarne perspektywy. Pierwsza patrzy na kształt samego grafu przez pryzmat wielkości zwanej „energią Laplace’a bez znaku”, którą można traktować jako ocenę strukturalną: opcje osadzone w silniejszych, bardziej wspierających wzorcach sieci otrzymują większą wagę. Druga perspektywa bada, jak do siebie podobne są różne opcje, używając miary podobnej do korelacji, która mówi, kiedy alternatywy są oceniane w zbliżony sposób. Poprzez połączenie tych dwóch widoków — struktury i podobieństwa — ramy te unikają nadmiernego polegania na surowych średnich albo wyłącznie statystycznych porównaniach.

Od opinii ekspertów do ostatecznych rankingów

Autorzy opisują krok po kroku proces stosowania swojej metody w podejmowaniu decyzji grupowych. Eksperci najpierw oceniają każdą opcję (np. kilka modeli samochodów elektrycznych) względem kluczowych kryteriów, takich jak zasięg, bezpieczeństwo i cena, używając intuicjonistycznych liczb nieostrych kodujących poparcie, sprzeciw i wahanie. Te oceny tworzą sieć dla każdego kryterium, z której oblicza się wartości energii strukturalnej. Następnie wartości energii przekształca się w obiektywne wagi kryteriów, zmniejszając potrzebę arbitralnych, subiektywnych ocen ważności. Osobno miary korelacji uchwycają, jak podobne są postrzegane pary opcji. Metoda łączy te składniki w oceny końcowe przy użyciu dwóch nieco różnych procedur, obie zaprojektowane tak, by być matematycznie spójne, ale koncepcyjnie proste: jedna agreguje wartości w pojedynczy nieostry wynik dla opcji, a druga opiera się bardziej bezpośrednio na podobieństwie do idealnych i nieidealnych punktów odniesienia.

Zastosowanie metody do samochodów elektrycznych

Aby pokazać zachowanie ram w praktyce, autorzy zastosowali je do uproszczonej decyzji inwestycyjnej dotyczącej czterech samochodów elektrycznych. Eksperci oceniali każdy model pod kątem zasięgu, funkcji bezpieczeństwa i ceny, w warunkach niepewności. Metoda następnie oblicza energie strukturalne dla sieci każdego kryterium, wyprowadza wagi kryteriów, mierzy wzajemne podobieństwa samochodów i wreszcie klasyfikuje je. Obie procedury dały ten sam porządek: jeden samochód (oznaczony jako A) konsekwentnie wypada najlepiej, podczas gdy inny (D) zajmuje ostatnie miejsce. Co ważne, ranking pozostaje stabilny nawet wtedy, gdy w rozsądnych granicach zmienia się równowaga między informacjami strukturalnymi a korelacyjnymi, co sugeruje, że wynik nie jest nadmiernie czuły na ustawienia modelu.

Co to znaczy dla decyzji w świecie rzeczywistym

Mówiąc prosto, badanie oferuje sposób przekształcania nieostrych, pełnych wahań opinii ekspertów w jasne, obronne rankingi konkurujących opcji. Poprzez jawne modelowanie poparcia, sprzeciwu i niepewności oraz łączenie spojrzenia na to, jak opcje są powiązane, ze spojrzeniem na to, jak do siebie podobne są, metoda prowadzi do decyzji mniej arbitralnych i bardziej odpornych. Choć przykład w artykule koncentruje się na wyborze samochodu elektrycznego, te same idee mogą kierować wyborami w obszarach takich jak projekty energetyki zrównoważonej, produkty finansowe czy infrastruktura publiczna — wszędzie tam, gdzie grupy muszą decydować w warunkach niepewności i chcą, by ich rozumowanie było systematyczne i przejrzyste.

Cytowanie: Atheeque, A.M., Basha, S.S. Intuitionistic fuzzy approach based on correlation coefficient and signless Laplacian energy with applications. Sci Rep 16, 6315 (2026). https://doi.org/10.1038/s41598-026-36485-3

Słowa kluczowe: podejmowanie decyzji w warunkach niepewności, grafy nieostre, wybór samochodu elektrycznego, metody decyzji grupowych, miary korelacji i energii