用于运营决策支持的贝叶斯网络的人机协同构建——一种虚拟调查方法
研究人员提出了一种利用大型语言模型（LLM）构建贝叶斯信念网络（BBN）的新方法，该方法通过一组AI代理基于特定角色和上下文估计概率，并采用修剪均值规则去除噪声，从而弥合专家意见与数据驱动学习之间的差距。研究以替代医疗系统中患者就医意向为案例，发现自我效能的影响实际较小，而主观规范的影响更强，最有效的策略是同时提升自信和社区规范。
贝叶斯信念网络（BBN）是处理不确定性决策的强大工具，广泛应用于医疗诊断、金融风险评估和运营管理等领域。然而，构建BBN的结构并估计其参数一直是困扰研究人员的难题。传统上，研究者必须在依赖专家主观判断和使用大规模数据集进行机器学习之间做出选择，前者可能引入偏见，后者则往往受限于数据质量和可用性。近日，一篇提交至arXiv的最新论文提出了一种创新方法，利用大型语言模型（LLM）来架起专家意见与数据驱动学习之间的桥梁，为BBN的构建提供了一种新的虚拟调查途径。
该方法的核心是组建一组AI代理，每个代理被赋予特定的角色（即“persona”）和上下文信息，在此基础上独立估计网络中的条件概率。为了消除单个代理可能产生的噪声或异常响应，研究者采用了修剪均值（trimmed-mean）规则，剔除最高和最低的估计值后计算平均概率，从而获得更稳健的估计。这一过程模仿了传统专家调查中的德尔菲法，但完全由AI自动完成，大大降低了成本和耗时。
研究团队进一步开发了一个六步贝叶斯网络框架，系统地指导用户从问题定义到模型验证的完整流程。为了验证方法的有效性，他们将其应用于一个替代医疗系统中患者是否愿意咨询医生的决策场景。模型结果揭示了有趣的现象：尽管自我效能（即个人对自己能力的信心）在初步分析中看似是一个重要因素，但其实际因果影响很小。相反，主观规范（即个人感知到的社会压力或期望）对患者就医意向的影响要强得多。研究表明，最有效的策略是同时提升患者的自信和社区规范，而不是单独强调某一方面。
这项研究于2026年7月13日提交，属于人工智能（cs.AI）和机器学习（cs.LG）领域。它为在数据稀缺或专家意见难以达成一致的情况下构建贝叶斯网络提供了新的途径，有望在医疗、金融、供应链等领域的运营决策支持中得到广泛应用。研究者还指出，未来可以进一步探索不同LLM的角色分配策略以及修剪阈值的优化，以提高估计的准确性和可靠性。