TOPSIS-RAD: Ranking According to Desires
Dieses Papier stellt TOPSIS-RAD vor, eine verbesserte Ranking-Methode, die das traditionelle TOPSIS durch die Einbeziehung von vom Entscheidungsträger definierten Veto- und Zielleistungsniveaus optimiert, um nicht lebensfähige Alternativen zu filtern, ideale Lösungen an expliziten Aspirationen zu verankern und stabile Rankings zu gewährleisten, die resistent gegenüber Ausreißern und Rangumkehrungen sind.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie sind ein Personalmanager, der versucht, den besten Kandidaten aus einer Liste von zehn Bewerbern auszuwählen. Sie haben vier Kriterien: Erfahrung, Ausbildung, Fähigkeiten und Persönlichkeit.
Der alte Weg (Traditionelles TOPSIS): Das „Klassenbeste des Jahres“-Problem
Bei der traditionellen Methode schauen Sie sich die Gruppe von zehn Personen an und fragen: „Wer ist der absolut Beste in dieser speziflichen Gruppe?“ und „Wer ist der absolut Schlechteste?“
- Wenn ein Bewerber 150 Jahre Erfahrung hat (ein Ausreißer), wird er zum Benchmark für den „Perfekten Wert“ für alle anderen.
- Wenn ein Bewerber 5 Jahre Erfahrung hat, wird er zum Benchmark für den „Schlechtesten Wert“.
Das Problem: Dieses System ist fragil.
- Die Verzerrung durch Ausreißer: Dieser eine Bewerber mit 150 Jahren Erfahrung verzerrt die gesamte Skala. Plötzlich wirkt ein Kandidat mit 40 Jahren Erfahrung „durchschnittlich“, weil er mit einem Superhelden verglichen wird, obwohl 40 Jahre eigentlich großartig sind.
- Der „Rangumkehr“-Fehler: Wenn Sie einen elften Kandidaten hinzufügen, der in allem schlecht ist, verschiebt sich der „Schlechteste“-Benchmark. Dies kann versehentlich dazu führen, dass Ihr zweitbester Kandidat wie der schlechteste aussieht oder Ihr drittbester wie der beste, nur weil sich die Zusammensetzung der Gruppe geändert hat. Die Rangfolge dreht sich um, basierend darauf, wer sonst noch im Raum ist, nicht darauf, wer tatsächlich gut ist.
- Das „Traum vs. Realität“-Missverhältnis: Das System geht davon aus, dass die „beste“ Person im Raum auch das ist, was Sie wollen. Aber vielleicht brauchen Sie nicht 150 Jahre Erfahrung, sondern nur 10. Die alte Methode kennt den Unterschied zwischen „unmöglicher Perfektion“ und dem, was Sie „tatsächlich begehren“, nicht.
Der neue Weg (TOPSIS-RAD): Der „Stellenbeschreibung“-Ansatz
Dieses Paper schlägt eine neue Methode namens TOPSIS-RAD (Ranking According to Desires) vor. Anstatt sich die Gruppe anzusehen, um zu entscheiden, wer am besten ist, legen Sie (der Entscheidungsträger) die Regeln fest, bevor Sie sich die Bewerber ansehen.
Stellen Sie sich das wie das Einrichten eines Zielbereichs für eine Dartscheibe vor:
1. Die „Veto“-Linie (VPL) – Die Mindestvoraussetzung
Sie ziehen eine Linie auf den Boden. Sie sagen: „Wenn jemand unter dieser Linie liegt, ist er raus.“
- Die Metapher: Stellen Sie sich eine Größenanforderung für eine Achterbahn vor. Wenn Sie nur 1,20 m groß sind, dürfen Sie nicht mitfahren, egal wie sehr Sie es wollen.
- Wie es hilft: In der alten Methode könnte eine sehr kleine Person den „Durchschnitts“-Wert der Gruppe nach unten ziehen, wodurch alle anderen größer erscheinen, als sie sind. In TOPSIS-RAD entfernen Sie die Person, die das Minimum nicht erfüllt, einfach. Sie stört die Mathematik für die Leute, die qualifiziert sind, nicht.
2. Die „Wunsch“-Decke (DPL) – Der Sättigungspunkt
Sie ziehen eine Decke ein. Sie sagen: „Wenn jemand über dieser Linie liegt, hören wir auf, seine Extrapunkte zu zählen.“
- Die Metapher: Stellen Sie sich vor, Sie füllen einen Eimer mit Wasser. Sobald der Eimer voll ist (das „Wunsch“-Niveau), führt das Eingießen von mehr Wasser dazu, dass der Eimer nicht „mehr voll“ wird. Es läuft einfach über.
- Wie es hilft: Wenn Sie 10 Jahre Erfahrung benötigen und ein Kandidat 100 Jahre hat, behandelt die alte Methode ihn als 10-mal besser als jemanden mit 10 Jahren. TOPSIS-RAD sagt: „Toll, du hast 100, aber wir brauchen nur 10. Wir deckeln deinen Wert bei 10.“ Dies verhindert, dass ein „Super-Kandidat“ die Werte aller anderen verzerrt. Er behandelt einen Kandidaten mit 10 Jahren und einen mit 100 Jahren als gleichwertig, da beide Ihr Wunsch erfüllen.
Das Ergebnis: Ein stabileres, faireres Ranking
Durch die Verwendung dieser zwei Linien (Veto-Boden und Wunsch-Decke) zeigt das Paper:
- Ausreißer bringen das System nicht aus dem Gleichgewicht: Ein Kandidat mit 150 Jahren Erfahrung lässt den 40-jährigen Kandidaten nicht schlecht aussehen. Beide werden auf das „Wunsch“-Niveau gedeckelt.
- Das Ranking dreht sich nicht um: Wenn Sie einen schlechten Kandidaten zur Liste hinzufügen, wird er einfach abgestraft (vetoiert). Er ändert nicht die Mathematik für die guten Kandidaten. Wenn Sie einen neuen „Super-Kandidaten“ hinzufügen, wird er einfach gedeckelt. Die Reihenfolge der guten Kandidaten bleibt exakt dieselbe.
- Sie bekommen, was Sie verlangt haben: Das Ranking spiegelt Ihre spezifischen Bedürfnisse wider (z. B. „Ich brauche mindestens 5 Jahre, aber ich brauche nicht mehr als 10“), nicht nur das, was diese Woche zufällig eingegangen ist.
Zusammenfassend
Traditionelles TOPSIS ist wie das Bewerten eines Rennens danach, wer in dieser spezifischen Gruppe von Läufern am schnellsten ist. Wenn ein Weltrekordhalter auftaucht, sieht jeder andere langsam aus.
TOPSIS-RAD ist wie das Bewerten eines Rennens anhand einer festen Zeitgrenze. Wenn Sie es in unter 10 Minuten schaffen müssen, um zu qualifizieren, ist jeder, der langsamer ist, draußen. Wenn Sie es in 5 Minuten oder in 1 Minute schaffen, erhalten Sie beide das gleiche „Gold“-Credit, weil Sie das Ziel erreicht haben. Der Gewinner ist derjenige, der diesem Ziel am nächsten kommt, ohne disqualifiziert zu werden, unabhängig davon, wer sonst noch im Rennen ist.
Das Paper demonstriert dies mit einfachen mathematischen Beispielen (genannt „Toy Examples“), die zeigen, dass diese Methode verhindert, dass sich die Rankings ändern, wenn sich die Gruppe der Optionen ändert, wodurch sichergestellt wird, dass die endgültige Liste stabil ist und wirklich das widerspiegelt, was der Entscheidungsträger tatsächlich will.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.