TOPSIS-RAD: Ranking According to Desires
Cet article présente TOPSIS-RAD, une méthode de classement améliorée qui perfectionne le TOPSIS traditionnel en incorporant des niveaux de performance de veto et de désirés définis par le décideur afin de filtrer les alternatives non viables, d'ancrer les solutions idéales à des aspirations explicites et d'assurer des classements stables résistants aux valeurs aberrantes et à l'inversion de rang.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez que vous êtes un responsable du recrutement essayant de choisir le meilleur candidat parmi une liste de dix postulants. Vous avez quatre critères : l'Expérience, l'Éducation, les Compétences et la Personnalité.
L'Ancienne Méthode (TOPSIS Traditionnel) : Le problème de la « Classe de l'année »
Dans la méthode traditionnelle, vous examinez le groupe de dix personnes et vous demandez : « Qui est absolument le meilleur dans ce groupe spécifique ? » et « Qui est absolument le pire ? »
- Si un candidat possède 150 ans d'expérience (une valeur aberrante/outlier), il devient le point de référence du « Score Parfait » pour tous les autres.
- Si un candidat a 5 ans d'expérience, il devient le point de référence du « Pire Score » pour tout le monde.
Le Problème : Ce système est fragile.
- La Distorsion par les Valeurs Aberrantes : Cette personne avec 150 ans d'expérience fausse toute l'échelle. Soudain, un candidat avec 40 ans d'expérience semble « moyen » parce qu'il est comparé à un super-héros, alors que 40 ans est en réalité exceptionnel.
- Le Bug de l'Inversion de Classement : Si vous ajoutez un onzième candidat qui est médiocre en tout, le point de référence du « Pire » se déplace. Cela peut accidentellement faire de votre deuxième meilleur candidat le pire, ou de votre troisième meilleur le meilleur, simplement parce que la composition du groupe a changé. Le classement bascule en fonction de qui est présent dans la pièce, et non en fonction de qui est réellement bon.
- Le Décalage entre « Rêve et Réalité » : Le système suppose que la « meilleure » personne dans la pièce est ce que vous voulez. Mais peut-être n'avez-vous pas besoin de 150 ans d'expérience ; vous en avez peut-être juste besoin de 10. L'ancienne méthode ne fait pas la différence entre une « perfection impossible » et ce que vous désirez réellement.
La Nouvelle Méthue (TOPSIS-RAD) : L'approche de la « Fiche de Poste »
Cette publication propose une nouvelle méthode appelée TOPSIS-RAD (Classement selon les Désirs). Au lieu de regarder le groupe pour décider qui est le meilleur, vous (le décideur) fixez les règles avant de regarder les postulants.
Considérez cela comme l'installation d'une Cible de Tir pour un jeu de fléchettes :
1. La Ligne de « Veto » (VPL) – Le Seuil Minimum
Vous tracez une ligne au sol. Vous dites : « Si quelqu'un est en dessous de cette ligne, il est éliminé. »
- La Métaphore : Imaginez une exigence de taille pour une montagne russe. Si vous mesurez 1 mètre, vous ne pouvez pas monter, peu importe votre envie.
- Comment cela aide : Dans l'ancienne méthode, une personne très petite pourrait tirer la « moyenne » de la taille du groupe vers le bas, faisant paraître les autres plus grands qu'ils ne le sont réellement. Dans le TOPSIS-RAD, vous supprimez simplement la personne qui ne respecte pas le minimum. Elle ne vient pas fausser les calculs pour les personnes qui sont qualifiées.
2. Le Plafond « Désiré » (DPL) – Le Point de Saturation
Vous tracez un plafond. Vous dites : « Si quelqu'un est au-dessus de cette ligne, nous arrêtons de compter ses points supplémentaires. »
- La Métaphore : Imaginez que vous remplissez un seau d'eau. Une fois que le seau est plein (le niveau « Désiré »), verser plus d'eau ne rend pas le seau « plus plein ». L'eau déborde, c'est tout.
- Comment cela aide : Si vous avez besoin de 10 ans d'expérience, et qu'un candidat en a 100, l'ancienne méthode considère qu'il est 10 fois meilleur que quelqu'un qui en a 10. Le TOPSIS-RAD dit : « Très bien, vous en avez 100, mais nous n'en avons besoin que de 10. Nous plafonnons votre score à 10. » Cela empêche un « super-candidat » de fausser les scores de tous les autres. Il traite un candidat avec 10 ans d'expérience et un candidat avec 100 ans comme étant égaux, car les deux répondent à votre désir.
Le Résultat : Un Classement Stable et Plus Juste
En utilisant ces deux lignes (le plancher de Veto et le plafond Désiré), la publication démontre que :
- Les valeurs aberrantes ne cassent pas le système : Un candidat avec 150 ans d'expérience ne rend plus le candidat de 40 ans indigne. Ils sont tous deux plafonnés au niveau « Désiré ».
- Le classement ne bascule pas : Si vous ajoutez un candidat médiocre à la liste, il est simplement veto-é (éliminé). Il ne change pas les calculs pour les bons candidats. Si vous ajoutez un nouveau « super-candidat », il est simplement plafonné. L'ordre des bons candidats reste exactement le même.
- Vous obtenez ce que vous avez demandé : Le classement reflète vos besoins spécifiques (ex: « J'ai besoin d'au moins 5 ans, mais je n'ai pas besoin de plus de 10 »), et non pas seulement qui a postulé cette semaine-là.
En Résumé
Le TOPSIS traditionnel est comme juger une course en regardant qui est le plus rapide dans ce groupe spécifique de coureurs. Si un détenteur de record du monde apparaît, tous les autres semblent lents.
Le TOPSIS-RAD est comme juger une course par un temps limite fixe. Si vous devez terminer en moins de 10 minutes pour être qualifié, quiconque est plus lent est éliminé. Si vous terminez en 5 minutes ou en 1 minute, vous recevez tous les deux le même crédit de « l'Or », car vous avez atteint l'objectif. Le vainqueur est celui qui est le plus proche de cet objectif sans être disqualifié, quel que soit le reste de la course.
La publication démontre cela avec des exemples mathématiques simples (appelés « exemples de type toy examples ») montrant que cette méthode empêche les classements de changer brusquement lorsque le groupe d'options change, garantissant que la liste finale est stable et reflète véritablement ce que le décideur souhaite réellement.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.