[论文解读] A Fuzzy Topsis Multiple-Attribute Decision Making for Scholarship Selection

Shofwatul Uyun, Imam Riadi|arXiv (Cornell University)|Jun 27, 2013

Educational Methods and Technology参考文献 11被引用 6

一句话总结

本文提出了一种基于模糊 TOPSIS 的多属性决策方法（FMDAM），并将其与统一建模语言（UML）集成，以支持伊斯兰国家大学苏丹·卡利贾加分校的奖学金评选。该方法采用精确值和模糊标准评估申请人，表明 TOPSIS 和加权乘积方法能有效按资格对候选人进行排名，偏好值可识别出学术与非学术奖学金的最优候选人。

ABSTRACT

As the education fees are becoming more expensive, more students apply for scholarships. Consequently, hundreds and even thousands of applications need to be handled by the sponsor. To solve the problems, some alternatives based on several attributes (criteria) need to be selected. In order to make a decision on such fuzzy problems, Fuzzy Multiple Attribute Decision Making (FMDAM) can be applied. In this study, Unified Modeling Language (UML) in FMADM with TOPSIS and Weighted Product (WP) methods is applied to select the candidates for academic and non-academic scholarships at Universitas Islam Negeri Sunan Kalijaga. Data used were a crisp and fuzzy data. The results show that TOPSIS and Weighted Product FMADM methods can be used to select the most suitable candidates to receive the scholarships since the preference values applied in this method can show applicants with the highest eligibility

研究动机与目标

• 解决因评价标准不一致或不精确而导致的大量奖学金申请处理难题。
• 开发一种系统化、透明且可重复的决策框架，用于选拔奖学金获得者。
• 将模糊逻辑与 TOPSIS 和加权乘积方法相结合，以处理申请人评估中的不确定性。
• 使用统一建模语言（UML）对决策过程进行建模，以提高清晰度和可复现性。
• 利用大学奖学金评选的真实数据验证该方法的有效性。

提出的方法

• 应用模糊多属性决策方法（FMDAM）以处理奖学金评选中模糊或语言性评价标准。
• 采用 TOPSIS 方法根据与理想解的接近程度对申请人进行排名，同时引入模糊数以处理不确定输入。
• 应用加权乘积（WP）方法作为对比技术，通过乘法加权验证 TOPSIS 结果。
• 使用 UML 图对决策过程进行建模，包括类图、组件图和顺序图，以增强系统清晰度。
• 使用模糊集表示语言变量（例如，“高”、“中”、“低”表现），以量化主观评价。
• 通过模糊 TOPSIS 计算每位申请人的偏好值，偏好值越高表示资格越高。

实验结果

研究问题

• RQ1 当评价标准具有主观性或不精确性时，模糊 TOPSIS 是否能有效处理奖学金评选中的不确定性？
• RQ2 FMDAM 与 UML 的集成在多大程度上提升了决策过程的透明度和可复现性？
• RQ3 TOPSIS 和加权乘积方法在奖学金评选中产生的排名一致性如何？
• RQ4 模糊逻辑是否能提升对混合使用精确值与语言数据的申请人评估的公平性与客观性？
• RQ5 使用偏好值在识别最符合条件的奖学金候选人方面有何影响？

主要发现

• 模糊 TOPSIS 方法成功地基于整体资格对申请人进行了排名，同时使用了精确值和模糊评价标准。
• TOPSIS 与加权乘积方法产生的排名具有一致性，验证了所提方法的稳健性。
• 该方法生成的偏好值清晰地识别出最适合学术与非学术奖学金的候选人。
• UML 的使用增强了模型的清晰度，并为决策逻辑提供了结构化表示。
• 该方法有效管理了申请人评估中的不确定性，使其适用于具有主观标准的实际奖学金评选场景。
• 结果表明，结合 TOPSIS 的 FMDAM 是一种可靠且可扩展的解决方案，适用于处理大量奖学金申请。