TOPSIS-RAD: Ranking According to Desires
यह शोध पत्र TOPSIS-RAD प्रस्तुत करता है, जो एक उन्नत रैंकिंग विधि है जो गैर-व्यवहार्य विकल्पों को फ़िल्टर करने, आदर्श समाधानों को स्पष्ट आकांक्षाओं के साथ स्थिर करने और आउटलेर्स एवं रैंक रिवर्सल के प्रति प्रतिरोधी स्थिर रैंकिंग सुनिश्चित करने के लिए निर्णय-निर्माता द्वारा परिभाषित वीटो किए गए (Vetoed) और वांछित प्रदर्शन स्तरों (Desired Performance Levels) को शामिल करके पारंपरिक TOPSIS में सुधार करती है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक हायरिंग मैनेजर हैं जो दस नौकरी आवेदकों की सूची में से सबसे अच्छा उम्मीदवार चुनने की कोशिश कर रहे हैं। आपके पास चार मानदंड हैं: अनुभव (Experience), शिक्षा (Education), कौशल (Skills), और व्यक्तित्व (Personality)।
पुराना तरीका (पारंपरिक TOPSIS): "वर्ष का सर्वश्रेष्ठ छात्र" वाली समस्या
पारंपरिक पद्धति में, आप दस लोगों के समूह को देखते हैं और पूछते हैं, "इस विशिष्ट समूह में सबसे अच्छा कौन है?" और "सबसे खराब कौन है?"
- यदि एक आवेदक के पास 150 साल का अनुभव है (एक आउटलायर/असाधारण स्थिति), तो वह सभी के लिए "परफेक्ट स्कोर" बेंचमार्क बन जाता है।
- यदि किसी के पास 5 साल का अनुभव है, तो वह "सबसे खराब स्कोर" बेंचमार्क बन जाता है।
समस्या: यह प्रणाली नाजुक है।
- "आउटलायर" का विरूपण (Distortion): वह एक व्यक्ति जिसके पास 150 साल का अनुभव है, पूरे पैमाने को बिगाड़ देता है। अचानक, 40 साल का अनुभव रखने वाला उम्मीदवार एक "सुपरहीरो" के साथ तुलना किए जाने के कारण "औसत" दिखने लगता है, जबकि वास्तव में 40 साल का अनुभव बहुत शानदार है।
- "रैंक रिवर्सल" की गड़बड़ी: यदि आप ग्यारहवां उम्मीदवार जोड़ते हैं जो हर चीज़ में बहुत खराब है, तो "सबसे खराब" बेंचमार्क बदल जाता है। इससे गलती से आपका दूसरा सबसे अच्छा उम्मीदवार सबसे खराब दिख सकता है, या आपका तीसरा सबसे अच्छा उम्मीदवार सबसे अच्छा दिख सकता है, सिर्फ इसलिए क्योंकि समूह की संरचना बदल गई है। रैंकिंग इस आधार पर नहीं बदलती कि वे वास्तव में कितने अच्छे हैं, बल्कि इस आधार पर बदलती है कि कमरे में और कौन मौजूद है।
- "सपना बनाम वास्तविकता" का बेमेल होना: यह प्रणाली मानती है कि कमरे में जो "सबसे अच्छा" व्यक्ति है, वही वह है जो आपको चाहिए। लेकिन शायद आपको 150 साल के अनुभव की आवश्यकता नहीं है; आपको बस 10 की आवश्यकता है। पुराना तरीका "असंभव पूर्णता" और "जो मुझे वास्तव में चाहिए" के बीच अंतर नहीं जानता।
नया तरीका (TOPSIS-RAD): "जॉब डिस्क्रिप्शन" दृष्टिकोण
यह पेपर TOPSIS-RAD (इच्छाओं के अनुसार रैंकिंग) नामक एक नई विधि प्रस्तावित करता है। आवेदकों को देखने से पहले यह तय करने के बजाय कि सबसे अच्छा कौन है, आप (निर्णय लेने वाला) नियम पहले ही निर्धारित कर देते हैं।
इसे डार्टबोर्ड के लिए एक लक्ष्य सीमा (Target Range) सेट करने जैसा समझें:
1. "वीटो" रेखा (VPL) – न्यूनतम मानक
आप फर्श पर एक रेखा खींचते हैं। आप कहते हैं, "यदि कोई इस रेखा से नीचे है, तो वह बाहर है।"
- रूपक (Metaphor): रोलरकोस्टर के लिए ऊंचाई की आवश्यकता की कल्पना करें। यदि आपकी ऊंचाई 4 फीट है, तो आप सवारी नहीं कर सकते, चाहे आप कितना भी चाहें।
- यह कैसे मदद करता है: पुराने तरीके में, एक बहुत छोटा व्यक्ति समूह की औसत ऊंचाई को कम कर सकता है, जिससे बाकी सभी लोग अपनी वास्तविक ऊंचाई से अधिक लंबे दिखने लगते हैं। TOPSIS-RAD में, आप बस उस व्यक्ति को हटा देते हैं जो न्यूनतम मानदंड पूरा नहीं करता। वे उन लोगों के गणित को प्रभावित नहीं करते जो योग्य हैं।
2. "वांछित" छत (DPL) – संतृप्ति बिंदु (Saturation Point)
आप एक छत खींचते हैं। आप कहते हैं, "यदि कोई इस रेखा से ऊपर है, तो हम उनके अतिरिक्त अंक गिनना बंद कर देंगे।"
- रूपक: कल्पना करें कि आप एक बाल्टी में पानी भर रहे हैं। एक बार जब बाल्टी भर जाती है (वांछित स्तर), तो और अधिक पानी डालने से बाल्टी "अधिक भरी हुई" नहीं हो जाती। वह बस बाहर गिर जाता है।
- यह कैसे मदद करता है: यदि आपको 10 साल के अनुभव की आवश्यकता है, और किसी के पास 100 साल हैं, तो पुराना तरीका उन्हें 10 साल वाले व्यक्ति की तुलना में 10 गुना बेहतर मानता है। TOPSIS-RAD कहता है, "बहुत अच्छा, आपके पास 100 हैं, लेकिन हमें केवल 10 की आवश्यकता है। हम आपके स्कोर को 10 पर सीमित (cap) कर देते हैं।" यह एक "सुपर-उम्मीदवार" को अन्य लोगों के स्कोर को विकृत करने से रोकता है। यह एक ऐसे उम्मीदवार के साथ समान व्यवहार करता है जिसके पास 10 साल का अनुभव है और उस व्यक्ति के साथ जिसके पास 100 साल है, क्योंकि दोनों आपकी इच्छा को पूरा करते हैं।
परिणाम: एक स्थिर, अधिक निष्पक्ष रैंकिंग
इन दो रेखाओं (वीटो फ्लोर और वांछित छत) का उपयोग करके, पेपर दिखाता है कि:
- आउटलायर्स सिस्टम को नहीं तोड़ते: 150 साल के अनुभव वाला उम्मीदवार 40 साल के उम्मीदवार को बुरा महसूस नहीं कराता। वे दोनों वांछित स्तर पर कैप कर दिए जाते हैं।
- रैंकिंग नहीं बदलती: यदि आप सूची में एक खराब उम्मीदवार जोड़ते हैं, तो उन्हें वीटो कर दिया जाता है। वे अच्छे उम्मीदवारों के लिए गणित को नहीं बदलते। यदि आप एक नया "सुपर-कैंडिडेट" जोड़ते हैं, तो उसे कैप कर दिया जाता है। अच्छे उम्मीदवारों का क्रम बिल्कुल वैसा ही रहता है।
- आपको वही मिलता है जो आपने मांगा था: रैंकिंग आपकी विशिष्ट आवश्यकताओं को दर्शाती है (जैसे, "मुझे कम से कम 5 वर्ष चाहिए, लेकिन मुझे 10 से अधिक की आवश्यकता नहीं है"), न कि केवल यह कि इस सप्ताह किसने आवेदन किया है।
संक्षेप में
पारंपरिक TOPSIS उस दौड़ के निर्णय लेने जैसा है जिसमें यह देखा जाता है कि उस विशिष्ट समूह के धावकों में से सबसे तेज़ कौन है। यदि कोई विश्व-रिकॉर्ड धारक आ जाता है, तो बाकी सभी धीमे दिखने लगते हैं।
TOPSIS-RAD एक निश्चित समय सीमा के आधार पर दौड़ का निर्णय लेने जैसा है। यदि आपको क्वालीफाई करने के लिए 10 मिनट से कम समय चाहिए, तो इससे धीमे होने वाले सभी बाहर हैं। यदि आप 5 मिनट या 1 मिनट में दौड़ पूरी करते हैं, तो आप दोनों को एक ही "गोल्ड" क्रेडिट मिलेगा क्योंकि आपने लक्ष्य को पूरा किया। विजेता वह है जो उस लक्ष्य के सबसे करीब है, बिना अयोग्य हुए, चाहे दौड़ में और कोई भी हो।
पेपर इन सरल गणितीय उदाहरणों (जिन्हें "टॉय एग्जांपल्स" कहा जाता है) के माध्यम से प्रदर्शित करता है कि यह विधि रैंकिंग को बदलने से रोकती है, जिससे अंतिम सूची स्थिर रहती है और वास्तव में वही दर्शाती है जो निर्णय लेने वाला वास्तव में चाहता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।