DOI: https://doi.org/10.1038/s41598-025-02362-8
PMID: https://pubmed.ncbi.nlm.nih.gov/40419565
تاريخ النشر: 2025-05-26
المؤلف: Jabbar Ahmmad وآخرون
الموضوع الرئيسي: اتخاذ القرار متعدد المعايير
نظرة عامة
تقدم ورقة البحث نهجًا جديدًا لاختيار تقنيات الذكاء الاصطناعي المساعدة في أنظمة دعم ذوي الإعاقة، مع معالجة تعقيدات اتخاذ القرار في ظل عدم اليقين. غالبًا ما تفشل طرق اتخاذ القرار التقليدية بسبب معايير التقييم غير الواضحة، مما يؤدي إلى عدم الكفاءة في تخصيص الموارد. لمواجهة ذلك، يقترح المؤلفون نظرية تجميع متوسط ماكلورين المتماثل الضبابي الخشن (FRMSM)، والتي تعزز دقة اتخاذ القرار من خلال تقليل الحساسية لمجموعات البيانات الكبيرة من خلال صيغ متماثلة. يساهم دمج طريقة MABAC (منطقة تقريب الحدود متعددة السمات) مع FRMSM في تقليل التحيز وتحسين متانة التصنيف، مما يجعلها أداة موثوقة لأصحاب المصلحة في تصميم الصحة والتكنولوجيا المساعدة.
في الختام، يوفر الجمع بين التجميع الضبابي الخشن ونهج MABAC إطارًا منهجيًا وفعالًا لتقييم التقنيات المدعومة بالذكاء الاصطناعي بناءً على معايير متعددة، مثل الأداء والوصول. تدير هذه الطريقة عدم اليقين وعدم الدقة بشكل فعال، وهو أمر حاسم في بيئات اتخاذ القرار المعقدة. ومع ذلك، يعترف المؤلفون بالقيود في نهجهم، لا سيما اعتماده على درجات العضوية العليا والسفلى، والتي قد لا تعالج بشكل كاف الهياكل الضبابية الأكثر تقدمًا مثل المجموعات الضبابية الحدسية أو المجموعات الضبابية البيثاغورية. يُقترح العمل المستقبلي لتوسيع هذه المفاهيم إلى نماذج ضبابية أكثر تكاملاً وعمليات تجميع بديلة، مما يعزز قابلية تطبيق الإطار في سيناريوهات اتخاذ القرار المتنوعة.
طرق
تستند منهجية MABAC (اتخاذ القرار متعدد السمات بناءً على تقييم النسبة المضافة) إلى مجموعتين رئيسيتين: مجموعة البدائل، التي تُرمز إليها بـ \( Q_{\text{altr}} = \{ Q_{\text{altr}-1}, Q_{\text{altr}-2}, \ldots, Q_{\text{altr}-n} \} \)، ومجموعة السمات، التي تمثل بـ \( E_{\text{atr}} = \{ E_{\text{atr}-1}, E_{\text{atr}-2}, \ldots, E_{\text{atr}-m} \} \). تُرمز الأوزان المعينة لهذه السمات بـ \( W_T = (W_{T1}, W_{T2}, \ldots, W_{Tm}) \)، مع القيد بأن مجموع الأوزان يساوي واحدًا، أي \( \sum_{j=1}^{m} W_{Tj} = 1 \).
في هذه المنهجية، يقدم الخبراء تقييماتهم في شكل أرقام ضبابية (FRNs)، مما يسمح بتقييم دقيق للبدائل بناءً على السمات المحددة. تم تصميم الخوارزمية العامة لمعالجة هذه التقييمات بشكل منهجي من خلال سلسلة من الخطوات، مما يسهل تحليلًا شاملاً للبدائل بالنسبة للسمات. تم اقتراح خوارزمية تفصيلية خطوة بخطوة لتعزيز كفاءة ودقة اتخاذ القرار في سياقات متعددة السمات.
نتائج
في قسم النتائج، تتم مقارنة طرق مختلفة لمشكلة معينة بناءً على قيم درجاتها ونتائج التصنيف. تشمل المنهجيات المشار إليها تلك التي قدمها هادي وآخرون، وميريجو وآخرون، وتيسيك وآخرون، وأيدين، وزفار وآخرون، ولي وآخرون، وسرور وآخرون، كل منها مُعَلم بقيمة درجة ولكن تفتقر إلى نتائج عددية محددة في هذا الاقتباس.
بالإضافة إلى ذلك، يتم تسليط الضوء على نهج FRMSM (نموذج ضبابي علاقاتي مع عضوية ناعمة)، مع الإشارة إلى قيم المعلمات لحالة معينة حيث \( a = 4 \). ومع ذلك، لم يتم تقديم القيم الدقيقة للدرجات ونتائج التصنيف لنهج FRMSM في النص، مما يشير إلى أن مزيدًا من التفاصيل قد تكون ضرورية لفهم شامل لأدائه مقارنة بالطرق الأخرى.
نقاش
في قسم النقاش من الورقة، يؤكد المؤلفون على الدافع وراء نهجهم المقترح، الذي يدمج المجموعات الضبابية الخشنة (FRS) مع عمليات التجميع لتعزيز اتخاذ القرار في تقنيات الذكاء الاصطناعي المساعدة. يجادل المؤلفون بأن نظريات المجموعات التقليدية غير كافية لنمذجة تعقيدات السيناريوهات الواقعية، لا سيما في التطبيقات التي تركز على الإنسان مثل مساعدة ذوي الإعاقة والرعاية الصحية. تسمح مرونة FRS بعضوية متدرجة واستدلال تقريبي، مما يمكّن أنظمة الذكاء الاصطناعي من معالجة وتفسير البيانات الضبابية بشكل فعال. يتم تسليط الضوء على مشغلات التجميع الضبابية الخشنة ماكلورين المتماثلة (FRMSM) لقدرتها على تجميع المعلومات غير المؤكدة، وتصنيف البيانات إلى تقريبين علوي وسفلي، والتقاط الاعتماد المتبادل بين معلمات الإدخال، مما يعالج قيود طرق التجميع الحالية.
تشمل مساهمة الدراسة تطوير مجموعة متنوعة من مشغلات التجميع الضبابية الخشنة، مثل متوسطات ماكلورين المتماثلة الضبابية الخشنة الموزونة (FRWMSM) ومتوسطات ماكلورين المتماثلة الضبابية الخشنة الثنائية (FRDMSM)، والتي تُطبق على سيناريوهات اتخاذ القرار متعدد السمات (MCDM). تم تقديم مثال توضيحي لإظهار تصنيف تقنيات الذكاء الاصطناعي المساعدة لأنظمة دعم ذوي الإعاقة، مما يبرز الآثار العملية للإطار المقترح. كما يقوم المؤلفون بإجراء تحليل مقارن مع المنهجيات الحالية، مما يبرز مزايا نهجهم في إدارة الغموض وعدم اليقين في بيئات اتخاذ القرار المعقدة. بشكل عام، تشير النتائج إلى أن دمج FRS مع تقنيات التجميع المتقدمة يمكن أن يعزز بشكل كبير موثوقية وفعالية أنظمة الذكاء الاصطناعي في التطبيقات الواقعية.
DOI: https://doi.org/10.1038/s41598-025-02362-8
PMID: https://pubmed.ncbi.nlm.nih.gov/40419565
Publication Date: 2025-05-26
Author(s): Jabbar Ahmmad et al.
Primary Topic: Multi-Criteria Decision Making
Overview
The research paper presents a novel approach for selecting AI-assistive technologies in disability support systems, addressing the complexities of decision-making under uncertainty. Traditional decision-making methods often fall short due to unclear evaluation criteria, leading to inefficiencies in resource allocation. To tackle this, the authors propose the fuzzy rough Maclaurin symmetric mean (FRMSM) aggregation theory, which enhances the accuracy of decision-making by reducing sensitivity to large data sets through symmetric formulations. The integration of the MABAC (Multi-Attribute Border Approximation Area) method with FRMSM further minimizes bias and improves classification robustness, making it a reliable tool for stakeholders in health and assistive technology design.
In conclusion, the combination of fuzzy rough aggregation with the MABAC approach provides a systematic and efficient framework for evaluating AI-assisted technologies based on multiple criteria, such as performance and accessibility. This method effectively manages uncertainty and imprecision, critical in complex decision environments. However, the authors acknowledge limitations in their approach, particularly its reliance on upper and lower membership grades, which may not adequately address more advanced fuzzy structures like intuitionistic or Pythagorean fuzzy rough sets. Future work is suggested to extend these concepts to more integrated fuzzy models and alternative aggregation operators, enhancing the framework’s applicability in diverse decision-making scenarios.
Methods
The MABAC (Multi-Attribute Decision-Making Based on the Additive Ratio Assessment) methodology is structured around two primary sets: the set of alternatives, denoted as \( Q_{\text{altr}} = \{ Q_{\text{altr}-1}, Q_{\text{altr}-2}, \ldots, Q_{\text{altr}-n} \} \), and the set of attributes, represented as \( E_{\text{atr}} = \{ E_{\text{atr}-1}, E_{\text{atr}-2}, \ldots, E_{\text{atr}-m} \} \). The weights assigned to these attributes are denoted as \( W_T = (W_{T1}, W_{T2}, \ldots, W_{Tm}) \), with the constraint that the sum of the weights equals one, i.e., \( \sum_{j=1}^{m} W_{Tj} = 1 \).
In this methodology, experts provide their evaluations in the form of fuzzy numbers (FRNs), which allows for a nuanced assessment of the alternatives based on the defined attributes. The overall algorithm is designed to systematically process these evaluations through a series of steps, facilitating a comprehensive analysis of the alternatives in relation to the attributes. The detailed step-wise algorithm is proposed to enhance decision-making efficiency and accuracy in multi-attribute contexts.
Results
In the results section, various approaches to a specific problem are compared based on their score values and ranking outcomes. The methodologies referenced include those by Hadi et al., Merigo et al., Tesic et al., Aydin, Zafar et al., Lee et al., and Sarwar et al., each of which is denoted with a score value but lacks specific numerical results in this excerpt.
Additionally, the proposed FRMSM (Fuzzy Relational Model with Soft Membership) approach is highlighted, with parameter values indicated for a specific case where \( a = 4 \). However, the exact score values and ranking results for the FRMSM approach are not provided in the text, suggesting that further details may be necessary for a comprehensive understanding of its performance relative to the other methods.
Discussion
In the discussion section of the paper, the authors emphasize the motivation behind their proposed approach, which integrates fuzzy rough sets (FRS) with aggregation operators to enhance decision-making in AI assistive technologies. The authors argue that traditional crisp set theories are inadequate for modeling the complexities of real-world scenarios, particularly in human-centered applications such as disability assistance and healthcare. The flexibility of FRS allows for graded membership and approximate reasoning, enabling AI systems to process and interpret fuzzy data effectively. The proposed fuzzy rough Maclaurin symmetric mean (FRMSM) aggregation operators are highlighted for their ability to aggregate uncertain information, classify data into upper and lower approximations, and capture interdependencies among input parameters, thus addressing limitations of existing aggregation methods.
The contribution of the study includes the development of various fuzzy rough aggregation operators, such as fuzzy rough weighted Maclaurin symmetric means (FRWMSM) and fuzzy rough dual Maclaurin symmetric means (FRDMSM), which are applied to multi-attribute decision-making (MCDM) scenarios. An illustrative example is provided to demonstrate the classification of AI assistive technologies for disability support systems, showcasing the practical implications of the proposed framework. The authors also conduct a comparative analysis with existing methodologies, underscoring the advantages of their approach in managing vagueness and uncertainty in complex decision-making environments. Overall, the findings suggest that the integration of FRS with advanced aggregation techniques can significantly enhance the reliability and effectiveness of AI systems in real-world applications.