[論文レビュー] Comparison of the COG Defuzzification Technique and Its Variations to the GPA Index

Michael Gr. Voskoglou|arXiv (Cornell University)|Nov 30, 2016

Multi-Criteria Decision Making参考文献 12被引用数 7

ひとこと要約

この論文は、ファジィ論理における評価ツールとしての従来の平均成績（GPA）インデックスと、重心（COG）デフレッジフィケーション法およびその変種（RFAM、GRFAM、TFAM、TpFAM）を比較している。具体例を通じて、COGベースのモデルが、曖昧またはファジィな学生の成績データを扱う際、GPAよりもより洗練され、正確な評価を提供することを示している。

ABSTRACT

The Center of Gravity (COG) method is one of the most popular defuzzification techniques of fuzzy mathematics. In earlier works the COG technique was properly adapted to be used as an assessment model (RFAM)and several variations of it (GRFAM, TFAM and TpFAM)were also constructed for the same purpose. In this paper the outcomes of all these models are compared to the corresponding outcomes of a traditional assessment method of the bi-valued logic, the Grade Point Average (GPA) Index. Examples are also presented illustrating our results.

研究の動機と目的

• COGデフレッジフィケーション技術およびその変種が、学業評価における従来のGPAインデックスの代替として有効であるかを評価すること。
• GPAインデックスが曖昧またはファジィな学生の成績データを扱う際の限界を是正すること。
• ファジィ論理の原則を用いて、より正確で柔軟な評価モデルを提供すること。
• 提示されたモデルを、具体的な数値例を用いて検証すること。
• ファジィ論理とクリスプ論理の両方の手法を用いた学生の成績評価のための比較フレームワークを構築すること。

提案手法

• 重心（COG）デフレッジフィケーション技術を応用し、学生の成績を評価するためのファジィ評価モデル（RFAM）を構築する。
• 所属関数の形状を変更することで、RFAMモデルの4つの変種（GRFAM、TFAM、TpFAM）を開発し、異なる成績分布をより適切に反映するようにする。
• ファジィ集合が表す成績を、COG法を用いてクリスプな数値出力を計算する。
• 標準的なファジィ集合理論およびデフレッジフィケーションの原則を用い、言語的または区間ベースの成績評価を数値スコアに変換する。
• 同一の入力データを用いて、COGベースのモデルの出力と従来のGPAインデックスの出力を比較する。
• 成績分布、所属関数、COG計算を含む数値例を用い、モデルの挙動と性能を説明する。

実験結果

リサーチクエスチョン

• RQ1 COGベースの評価モデル（RFAM、GRFAM、TFAM、TpFAM）は、従来のGPAインデックスと比較して、学生の成績をどのように評価するか？
• RQ2 曖昧または曖昧なデータを扱う際、COGモデルはGPAインデックスと比較して、どのような点でより正確または洗練された結果を提供するか？
• RQ3 さまざまな成績状況において、COGモデルとGPAインデックスの間で、評価結果にどのような定量的差異が生じるか？
• RQ4 所属関数の形状の違い（例：三角形型 vs. 梯形型）は、COGモデルの最終的な評価スコアにどのように影響するか？
• RQ5 COGデフレッジフィケーション技術は、学業評価におけるGPAインデックスの代替として実用的で、より柔軟な代替手段として成立するか？

主な発見

• COGベースのモデル（RFAM、GRFAM、TFAM、TpFAM）は、常にGPAインデックスよりも洗練され、文脈に応じた評価スコアを生成する。
• GPAインデックスは、すべての成績を等価に扱うため、成績データを単純化しすぎる傾向があるが、COGモデルはファジィ所属関数の分布と形状を考慮する。
• 数値例により、COGモデルはGPAインデックスが捉えられない、学生の成績の微細な差を検出できることを示している。
• 所属関数の形状の違い（例：三角形型 vs. 梯形型）は、COG出力に明確な差をもたらし、モデルが入力構造に感受することを示している。
• COG法は、GPAの離散的で非ファジィな性質に比べ、より強固で数学的に整合性のあるデフレッジフィケーションプロセスを提供する。
• 本研究は、従来のクリスプ手法（GPAなど）に比べ、COGベースのモデルが曖昧または不確実な学業成績データの評価に適していることを確認した。