سطح ۳: پشتیبانی استدلال گروهی

(g) تکنیک‌های اصلاح/ تقویت قضاوت: تکنیک‌های اصلاح و تقویت قضاوت، تکنیک‌های تخصصی برای جزئیات هستند. ویژگی انتخاب‌های انجام‌شده در رابطه با الگوی کلی انتخاب‌ها. یکی از مهم‌ترین پیشرفت‌ها، اضافه شدن تحلیل حساسیت به آن بوده است. MCDM بسته‌ها Expert Choice (Expert Choice Inc. 1994) یکی از این بسته‌هاست  که دارای این بوده و اکنون قابلیت‌های تحلیل حساسیت را برای پشتیبانی گروهی در بستة نرم‌افزاری به نام Team Expert Choice (Expert Choice Inc. 1995) پیاده‌سازی کرده است. GeoChoicePerspectives تکنیک‌های تحلیل حساسیت را با نمایش‌های نقشه پیوند می‌دهد تا جلوه‌های فضایی رتبه‌بندی جایگزین گزینه‌ها را تجسم کند. در طول تجزیه و تحلیل حساسیت، وزن معیار را می‌توان نسبت به وزن‌های دیگر تغییر داد؛ به‌عنوان مثال در GeoChoicePerspectives اهمیت معیارها در رابطه با یکدیگر بر اولویت‌های سایت‌های زیستگاه تأثیر می‌گذارد (شکل ۳٫۷ (الف) و (ب) را ببینید). روش تجمیع نقطة ایده‌آل (در شکل ۳٫۶) به‌عنوان مبنایی برای محاسبة امتیاز استفاده شد. شکل ۳٫ ۷(a) وزن‌های مساوی را در سمت چپ با ترتیب رتبه‌بندی مربوطه نشان می‌دهد که با طول میله نشان داده شده است (میلة بلندتر در رتبة بالاتر است). شکل ۳٫۷ (ب) دو تغییر وزن و تغییرات مربوطه را در ترتیب رتبه (در سمت راست پنجره) نشان می‌دهد.

با یکدیگر، کمک‌های  نمایشی مانند نقشه‌ها و تحلیل حساسیت می‌توانند در اصلاح قضاوت، همان‌طور که در GeoChoicePerspectives موجود است، استفاده شوند (شکل ۳٫۸ (الف) و (ب) را ببینید). شکل‌های ۳٫۸(a) و ۳٫۸(b) نقشه‌های دایره‌ای مدرج را نشان داده که رتبه‌بندی مکان‌های زیستگاه را بر اساس وزن معیارها در شکل ۳٫۷ (a) و ۳٫۷ (b) نمایش می‌دهند. دایره‌های بزرگ‌تر، نشان‌دهندة رتبه‌های بالاتر و دایره‌های کوچک‌تر، نشان‌دهندة رتبه‌های پایین‌تر است. واضح است که می‌توان از انواع مختلفی از نقشه‌ها استفاده کرد، اما هر نوع نقشة متفاوت باید یک مزیت اساسی برای آن داشته باشد. در مورد دایره‌های مدرج، متغیر بصری «اندازه» دستکاری می‌شود. اندازه، یکی از ساده‌ترین تغییرات نشانة بصری برای تشخیص چشم انسان است – حتی بیشتر از آن نسبت به رنگ‌های خاکستری سایه‌دار که در نقشه‌های choropleth رایج هستند.

بسته‌های نرم‌افزاری، تکنیک‌های آماری بیزی را برای تجزیه و تحلیل تصمیم و پالایش قضاوت (Bayesian Systems Inc. 2000) می‌کنند. استنباط بیزی مبتنی بر نظریة احتمال است. آمار بیزی بر بهبود دانش فزاینده تمرکز دارد تا عدم قطعیت را هنگام در نظر گرفتن مبادلات در میان معیارهای اولویت‌بندی گزینه‌ها کاهش دهد. از آنجایی که استنتاج بیزی پیشرفت نسبتاً جدیدی است، با اینکه هنوز آن را پیدا نکرده است، راه خود را به بسته‌های GSS یا GIS می‌دهد؛ به استثنای نرم‌افزار IDRISI GIS و افزونه‌ای که برای نرم‌افزار Arcview GIS ایجاد شده است.

(h) تکنیک‌های استدلال تحلیلی: تکنیک‌های تحلیل و استدلال هنوز باقی مانده و موضوعات تحقیق در بیشتر موارد، سیستم‌های خبره و ریاضی بسته‌های برنامه‌نویسی نمونه‌هایی از چنین تکنیک‌هایی هستند که به صورت محدود با GSS ادغام شده‌اند (جارک،۱۹۸۶). نمونه‌های اولیة تحقیقاتی تلاش می‌کنند تا فرایند تصمیم‌گیری را با استفاده از استدلال قیاسی دنبال کنند. موتورهای استنتاج بیزی می‌توانند به ردیابی تصمیمات برای عملیاتی و

شکل ۳٫۷a تجزیه و تحلیل حساسیت قبل از تغییر وزن

شکل ۳٫۷b تجزیه و تحلیل حساسیت پس از تغییر وزن

انواع ساختاریافتة مسائل تصمیم‌گیری، به‌عنوان مثال در جایی که ورودی‌های معمول برای آن‌ها استفاده می‌شود، دلیل، مانند تعمیرات جزئی زیرساخت (Bayesian Systems Inc. 2000). رویکرد امیدوارکننده‌ای برای کشف دانش تصمیم‌گیری فردی و گروهی، محاسبات نرم است. تز اصلی محاسبات نرم، تقلید از ذهن انسان در بهره‌برداری از تحمل عدم دقت  است.

شکل ۳٫۸a نقشة رتبه‌بندی سایت‌های زیستگاه

مرتبط با وزن معیار در شکل ۳٫۷(a)

شکل ۳٫۸b نقشة رتبه‌بندی سایت‌های زیستگاه

مرتبط با وزن معیار در شکل ۳٫۷ (b)

عدم قطعیت در برخورد با مسائل بسیار پیچیده و اغلب نادقیق وظایف تدوین‌شده، هدف محاسبات نرم دستیابی به قابلیت tractability و استحکام در حل مسائل پیچیده و نامشخص است. اجزای روش‌شناختی از محاسبات نرم، از جمله نظریة مجموعه‌های فازی، منطق فازی، شبکه‌های عصبی و تکاملی  الگوریتم‌ها یکی از نمونه‌های روش محاسبات نرم که در موقعیت‌های تصمیم‌گیری تکراری قابل استفاده است، نظریة مجموعه‌های خشن می‌باشد (پاولاک[۱] و اسلوینسکی).۱۹۹۴). روش مجموعه‌های خشن، مجموعه‌ای از قوانین تصمیم‌گیری را که شامل تعداد کاهش‌یافته‌ای از مهم‌ترین معیارهای تصمیم‌گیری می‌شود، تولید می‌کند؛ درنتیجه عدم قطعیت ذاتی مرتبط با مقادیر داده‌های معیار را کاهش می‌دهد. مجموعه قوانین تصمیم‌گیری، وضعیت تصمیم‌گیری را توضیح می‌دهد و ممکن است برای حمایت از تصمیمات جدید استفاده شود.

یک نمونه‌ از نمونة اولیة تحقیقاتی که GIS را با داده‌کاوی ادغام می‌کند – یکی دیگر از اجزای محاسبات نرم – قبلاً ذکر شده است. دهه (کارتوگرافی پویا، اکتشافی برای پشتیبانی تصمیم) (یانکوفسکی، آندرینکو و آندرینکو ۲۰۰۱). DECADE از پایگاه دادة GIS، دانش و ترجیحات شرکت‌کنندگان گروه و الگوریتم مشتق درخت طبقه‌بندی C4.5 (Quinlan 1993) را برای تمایز بین برخی کلاس‌های معین از اشیا و تولید مجموعة آن‌ها استفاده می‌کند.

توصیف بر اساس مقادیر صفات مرتبط با کلاس اعضا.  هدف این رویکرد، کمک به شرکت‌کنندگان در گروه برای کاهش پیچیدگی تصمیم‌گیری یک مشکل با شناسایی معیارهای تصمیم‌گیری کلیدی است.

سیستم‌های خبره و بسته‌های برنامه‌ریزی ریاضی برای کاربران فردی با موفقیت با GIS ادغام شده‌اند، اما یکپارچه‌سازی GIS مبتنی بر گروه به‌عنوان عامل مرتبط با فناوری سیستم‌های حمل‌ونقل هوشمند تازه شروع شده است(کانافانی،کاتاک وداگرن،۱۹۹۴) .چنین پیاده‌سازی‌هایی بر زیرساخت‌های فناوری اطلاعات بسیاری تکیه دارند که برای جمع‌آوری مقادیر قابل توجهی از داده‌های ترافیکی برای تصمیم‌گیری عملیاتی تنظیم شده‌اند. تحقیقات بیشتری باید انجام شود تا مشخص شود که استدلال تحلیلی چقدر می‌تواند برای محیط‌های تصمیم‌گیری استراتژیک یا مدیریتی مفید باشد که تمایل دارند از ابزارهای اطلاعاتی پیچیده دوری کنند.