Uzlaşı Sağlama - Grup uzlaşısına doğru uzman görüşlerinin yinelemeli birleştirmesi

Formül adımları

Analiz motorunun yöntem bildirimindeki (manifest F.steps) adımlar; raporlardaki formüllerle aynı kaynaktır.

1. Adım 1 — K uzman tercih ilişkisini topla. Her e_k uzmanı P^k = (p^k_ij)_{m×m} matrisi sağlar; p^k_ij ∈ [0,1] A_i'nin A_j üzerindeki tercih derecesidir. Karşılıklılık: p^k_ij + p^k_ji = 1.

   $$P^k=(p_{ij}^k{)}_{m\times m},p_{ij}^k\in [0,1],p_{ij}^k+p_{ji}^k=1,p_{ii}^k=0.5$$
   LaTeX

   P^k = (p^k_{ij})_{m \times m}, \quad p^k_{ij} \in [0,1], \quad p^k_{ij} + p^k_{ji} = 1, \quad p^k_{ii} = 0.5

2. Adım 2 — e_k ve e_l uzmanları arasındaki ikili benzerlik matrisi SM^{kl}'yi hesapla: eleman bazında 1 eksi tercih değerlerinin mutlak farkı.

   $$s{m}_{ij}^{kl}=1-|p_{ij}^k-p_{ij}^l|,S{M}^{kl}=(s{m}_{ij}^{kl}{)}_{m\times m}$$
   LaTeX

   sm^{kl}_{ij} = 1 - |p^k_{ij} - p^l_{ij}|, \qquad SM^{kl} = (sm^{kl}_{ij})_{m \times m}

3. Adım 3 — Tüm uzman çiftleri ve tüm alternatif çiftleri boyunca ikili benzerlik değerlerinin genel ortalaması olarak uzlaşı derecesi CD'yi hesapla.

   $$CD=\frac{2}{K(K-1)}\sum _{k=1}^{K-1}\sum _{l=k+1}^K\frac{1}{m(m-1)}\sum _{i=1}^m\sum _{\begin{array}{c}j=1\\ j\ne i\end{array}}^{m}s{m}_{ij}^{kl}$$
   LaTeX

   CD = \frac{2}{K(K-1)} \sum_{k=1}^{K-1} \sum_{l=k+1}^{K} \frac{1}{m(m-1)} \sum_{i=1}^{m} \sum_{\substack{j=1 \\ j \neq i}}^{m} sm^{kl}_{ij}

4. Adım 4 — Geri bildirim mekanizması: CD < θ ise, kolektif tercihe CP yakınlığı düşük olan e_k uzmanlarını ve sorumlu alternatif/çiftleri belirle. Uzlaşıyı artıracak tercih değişiklikleri öner.

   $$\begin{gathered} C{P}_{ij}=\frac{1}{K}\sum _{k=1}^K{p}_{ij}^k(\text{collective preference}) \\ pro{x}_k=\frac{1}{m(m-1)}\sum _{i\ne j}s{m}_{ij}^{kCP},s{m}_{ij}^{kCP}=1-|p_{ij}^k-C{P}_{ij}| \\ \text{Flag: }{e}_k\text{ if }pro{x}_k<\theta ;\text{ flag pair }(i,j)\text{ if }s{m}_{ij}^{kCP}<\theta \end{gathered}$$
   LaTeX

   CP_{ij} = \frac{1}{K} \sum_{k=1}^{K} p^k_{ij} \quad (\text{collective preference}) \\ prox_k = \frac{1}{m(m-1)} \sum_{i \neq j} sm^{kCP}_{ij}, \quad sm^{kCP}_{ij} = 1 - |p^k_{ij} - CP_{ij}| \\ \text{Flag: } e_k \text{ if } prox_k < \theta; \text{ flag pair } (i,j) \text{ if } sm^{kCP}_{ij} < \theta

5. Adım 5 — CD ≥ θ sağlandığında, kolektif tercih CP'ye topla ve nihai sıralamayı niceleç güdümlü baskın olmama (QGDD) veya basit satır ortalaması ile türet.

   $$\begin{gathered} C{P}_{ij}=\frac{1}{K}\sum _{k=1}^K{p}_{ij}^k \\ N{D}_i={min}_{j\ne i}C{P}_{ij}(\text{non-dominance score}) \\ \text{rank}(i)\propto -N{D}_i \end{gathered}$$
   LaTeX

   CP_{ij} = \frac{1}{K} \sum_{k=1}^{K} p^k_{ij} \\ ND_i = \min_{j \neq i} CP_{ij} \quad (\text{non-dominance score}) \\ \text{rank}(i) \propto -ND_i

Sezgi

Group decision - iterative feedback-driven consensus convergence. Output typically robustness_score (higher value = preferred).

Sonucu okuma: Consensus Reaching - Iterative aggregation of expert opinions toward group consensus

Varsayımlar

• A base ranking method is selected
• Computational budget for repeated runs

Ne zaman kullanılmaz

• Quick analysis needed → defer robustness check

Sınırlılıklar

• Assumes: A base ranking method is selected
• Assumes: Computational budget for repeated runs

Sık yapılan hatalar

• Hatalı: 'CONSENSUS-REACHING bu varsayımı kontrol etmeden uygulamak'. Doğrusu: A base ranking method is selected
• Hatalı: 'CONSENSUS-REACHING bu varsayımı kontrol etmeden uygulamak'. Doğrusu: Computational budget for repeated runs
• Hatalı: CONSENSUS-REACHING'yi 'Quick analysis needed → defer robustness check' durumunda kullanmak - recommendation_metadata.not_recommended_when alternatif öneriyor.