基于因果构造和推理的专家判断关键技术研究

The probability distribution of event under uncertainty is essential in decision theory and risk analysis. It is obtained mainly by expert judgment elicitation (EJE) while lacking available data, but the elicitation quality is hard to be guaranteed because of the cognitive, motivational, emotional and social influences, and the lack of formal elicitation techniques. .Recent researches show that causality constructing and reasoning is the crucial way for expert to combine the cues to make probability judgment. So，this project employs causality analysis methods to 1) develop generative probability judgment model using causal Bayesian network for explaining and debiasing cognitive biases, such as base rate fallacy, overconfidence and conjunction fallacy; 2) construct causality-based aggregation technique for multiple information sources, e.g. expert judgment and statistical data; 3) build an expert selection model using Web-based text mining methods and value-focused decision-making, in order to choose adequate experts for judgment task; 4) identify consensus judgment for measure motivational biases; 5) conduct computational validation by forecasting stock price using agent-based modeling, and apply EJE techniques to evaluating the risk and the safety during complex product developing and testing..The project will provide key EJE techniques with reliably theoretical underpinnings and practical feasibility, which can be used in in any situation of requiring expert probability judgment.

不确定性事件概率分布是决策理论和风险分析的核心要素，在可用数据匮乏的情况下，主要通过专家判断来获取。由于受到认知、动机、情绪与社会等多种因素影响，同时也缺乏规范获取技术的支持，目前专家判断获取的质量难于保证。.最近的研究表明，因果构造和推理是专家组合各种线索做出概率判断的重要途径。课题采用基于因果分析的思路，研究1）利用因果贝叶斯网络开发概率判断生成模型，用于解释和消除专家判断中的基率谬误、过度自信和联合谬误等认知偏差；2）基于因果的多信息源集成技术，用于多专家判断，以及与其他数据的综合；3）基于Web文本挖掘和价值决策的专家选择模型，用于选择适合判断任务的专家；4）寻找群体一致判断，用于度量动机偏差；5）利用基于主体的股票价格预测模型进行计算验证，并应用于复杂产品研制风险和试验安全性评估中。.课题将提供理论上严密、应用中可行的专家判断获取关键技术，可应用于所有依赖专家判断的场合。

不确定性事件的概率分布是决策理论和风险分析的核心要素，如何获得一个好的概率分布在理论和实践中都是极其重要的问题。在可用数据匮乏、事件极少发生甚至从未发生的场合，只能依赖专家的概率判断。.专家判断背后的因果逻辑含有大量的信息，在该因果逻辑的层面上抽取和集成专家判断才能有效地消除专家判断过程中的认知偏差和动机偏差。课题利用因果贝叶斯网络描述这种因果逻辑，通过网络融合技术来集成多个专家的判断，有效降低专家认知偏差，通过引入贝叶斯吐真剂(BTS)或鲁棒贝叶斯吐真剂(RBTS)等激励机制，消除专家的动机偏差。.课题组开发了一种基于因果贝叶斯网络的风险建模与分析方法CBN-based RMA，该方法是一个结构化、流程化方法，可以将专家对风险事件概率判断转化为一个因果贝叶斯网络，既可以用来进行风险事件建模和分析，也可以作为专家概率判断的因果逻辑描述，结合“边翻转”和“贝叶斯知识库”两种技术可有效集成多个专家判断。该方法已经应用在无人机试验试飞、空面导弹大型地面试验、水电站隧洞掘进工程、装备国际采购等多个实际项目的风险评估中，验证了该方法的良好效果。.针对专家判断过程中大量遇到的直觉判断、语义判断等问题，课题组利用模糊理论开发了多种算子进行专家判断的信息集成，在绩效综合评价、装备试验安全风险管理中得到了实际应用。.通过设计一个预测赛事结果的实验，我们检验了BTS和RBTS这两种方法的效果和适用范围。结果显示，总体上BTS更加稳健，效果优于RBTS，但在人数较少时，RBTS可以替代BTS法。该结果有助于我们根据不同情况选择合适的消除动机偏差方法。.课题组分析了基于主体的建模技术在结果验证、过程验证和模型对接等方法论上值得注意的问题，指出建模工具标准化、一致性判断、灵敏度分析和参数空间压缩技术是未来AB模型验证的主要方向，这意味着后续研究应将ABM技术与其他技术结合，如实验技术，才能更有效地检验专家判断抽取和集成技术的效率。