用於運營決策支援的貝葉斯網路的人機協同構建——一種虛擬調查方法
研究人員提出了一種利用大型語言模型（LLM）構建貝葉斯信念網路（BBN）的新方法，該方法透過一組AI代理基於特定角色和上下文估計機率，並採用修剪均值規則去除噪聲，從而彌合專家意見與資料驅動學習之間的差距。研究以替代醫療系統中患者就醫意向為案例，發現自我效能的影響實際較小，而主觀規範的影響更強，最有效的策略是同時提升自信和社群規範。
貝葉斯信念網路（BBN）是處理不確定性決策的強大工具，廣泛應用於醫療診斷、金融風險評估和運營管理等領域。然而，構建BBN的結構並估計其引數一直是困擾研究人員的難題。傳統上，研究者必須在依賴專家主觀判斷和使用大規模資料集進行機器學習之間做出選擇，前者可能引入偏見，後者則往往受限於資料質量和可用性。近日，一篇提交至arXiv的最新論文提出了一種創新方法，利用大型語言模型（LLM）來架起專家意見與資料驅動學習之間的橋樑，為BBN的構建提供了一種新的虛擬調查途徑。
該方法的核心是組建一組AI代理，每個代理被賦予特定的角色（即“persona”）和上下文資訊，在此基礎上獨立估計網路中的條件機率。為了消除單個代理可能產生的噪聲或異常響應，研究者採用了修剪均值（trimmed-mean）規則，剔除最高和最低的估計值後計算平均機率，從而獲得更穩健的估計。這一過程模仿了傳統專家調查中的德爾菲法，但完全由AI自動完成，大大降低了成本和耗時。
研究團隊進一步開發了一個六步貝葉斯網路框架，系統地指導使用者從問題定義到模型驗證的完整流程。為了驗證方法的有效性，他們將其應用於一個替代醫療系統中患者是否願意諮詢醫生的決策場景。模型結果揭示了有趣的現象：儘管自我效能（即個人對自己能力的信心）在初步分析中看似是一個重要因素，但其實際因果影響很小。相反，主觀規範（即個人感知到的社會壓力或期望）對患者就醫意向的影響要強得多。研究表明，最有效的策略是同時提升患者的自信和社群規範，而不是單獨強調某一方面。
這項研究於2026年7月13日提交，屬於人工智慧（cs.AI）和機器學習（cs.LG）領域。它為在資料稀缺或專家意見難以達成一致的情況下構建貝葉斯網路提供了新的途徑，有望在醫療、金融、供應鏈等領域的運營決策支援中得到廣泛應用。研究者還指出，未來可以進一步探索不同LLM的角色分配策略以及修剪閾值的最佳化，以提高估計的準確性和可靠性。