een nieuwe methode voor het toepassen van een keuze uit voordelen (CBA) multicriteriabesluit op een groot aantal ontwerpalternatieven

het ontwerp van gebouwen, civiele infrastructuur en andere complexe systemen in onze gebouwde omgeving houdt rekening met vele, vaak tegenstrijdige ontwerpcriteria. Architecture, engineering and construction (AEC) projectteams maken vaak gebruik van multi-criteria decision making (MCDM) methoden om hen te helpen bij het vinden van een gewenste ontwerpoplossing. Een opkomende MCDM methode in de praktijk vandaag is kiezen door voordelen (CBA) die met succes is toegepast op vele AEC-projecten. Deze methode heeft verschillende voordelen ten opzichte van traditionele MCDM-methoden (zoals de gewogen som): CBA staat niet toe om een compensatie van geld voor waarde te verbergen, CBA helpt onderscheid te maken tussen alternatieven op basis van de beslissingscontext, CBA vermindert de tijd om consensus te bereiken, en het beheert betere subjectieve trade-offs door beslissingen te baseren op het belang van overeengekomen voordelen. CBA wordt meestal toegepast tussen twee tot tien alternatieven, en het is nooit gebruikt voor meer dan honderd alternatieven. Vandaar dat deze studie bijdraagt aan kennis door het ontwikkelen en testen van een nieuwe methode voor het toepassen van CBA op honderden of duizenden alternatieven. De nieuwe methode omvat het clusteren van alternatieven in een paar representatieve ontwerp alternatieven op basis van feature gelijkenis met behulp van de K-means methode. Voorkeuren tussen deze representatieve ontwerpalternatieven worden dan gegeneraliseerd met behulp van lineaire regressie. Een experiment met studenten werd uitgevoerd om het niveau van nauwkeurigheid te meten waarin voorkeuren kunnen worden gegeneraliseerd door de voorgestelde methode. Het experiment beschouwde 1.000 verschillende ontwerpalternatieven. CBA werd toegepast op representatieve alternatieven met behulp van drie, zes, acht, en tien clusters. De studie meet fouten, correlaties en consistentie van de voorspellingen voor elke clusterconfiguratie. Toen acht clusters werden gebruikt voor het maken van representatieve alternatieven, waren beslissingen altijd consistent met die met willekeurige alternatieven, en de correlatie met de voorspelde voorkeur was hoger met een lagere fout in vergelijking met andere geteste clusterconfiguraties.