基于多维证据理论的科学基金立项评估信息融合研究

The project evaluation of the science foundation concerns efficiency of basic science research in China. With the development of the Internet and the update of the internet-based Information System of the National Natural Science Foundation of China., there are massive, multiple-source and uncertain evidences which related to project evaluation. The project evaluation is a complex decision problem and uncertain, the bounded rationality of decision-making has the differences in such aspects as knowledge, experience and ability. It is a big challenge to express, integrate and use these evidences for decision-making, the uncertainty of system descriptive in decision-making process, and integrate the decisions and opinions of experts effectively. This study based on the goal of the basic science research, systematically analyzed the information system, influencing factors and mechanism of the project evaluation of the science, establish the information fusion method of the science foundation project evaluation which is based on the multidimensional evidence theory, construct the multidimensional framework to comprehensively reflect the features such as quality, reliability and acquisition process, propose the deep stacking evidence network and supervised deep learning, build the deep learning of the evaluation decision performance-matrix to obtain the optimized parameters of the multidimensional evidence combination, solve the relevance, importance and reliability problems in the process of the multiple-source information fusion systematically, make the rules of evidence synthesis with dynamic adaptability. It offers a new theory and method for the information fusion of the science foundation project evaluation.

科学基金项目的立项评估关系到我国基础科学研究的实施效率。互联网的发展和国家自然基金委信息网络系统的升级，可提供大量、多源、不确定的与立项评估相关的信息证据。立项评估是复杂决策问题，其不确定性大，决策主体的有限理性以及在知识、经验和能力等方面存在差异，如何表述、融合、利用这些证据进行决策，系统刻画决策过程中的不确定性，并有效融合专家群体决策意见面临挑战。本研究围绕基础科学研究的目标，系统分析科学基金立项评估信息体系、影响因素及其机理，建立基于多维证据理论的科学基金立项评估信息融合方法，构建多维识别框架综合反映证据质量、可靠性及获取过程等特征，提出基于深度堆叠证据网络和有监督的深度学习，构建评估决策绩效矩阵并通过深度学习来获取多维证据合成的优化参数，系统解决多源信息融合过程中的相关性、重要性和可靠性等问题，使证据合成规则具有动态适应性，为科学基金立项评估信息融合提供了新的理论和方法。

经典证据理论在一维识别框架上建模，未能反映决策者的属性特征以及决策者由实证据和知识经验给出决策结论的相关过程信息，且证据合成规则要求证据相互独立、不能有较强冲突，拓展经典证据理论识别框架，完善经典证据理论的合成规则可以为不确定决策问题提供更好的理论方法体系。本研究在理论上提出了多维证据理论体系，并做了系统的研究。首先，界定了多维证据识别框架的内涵，明确多维证据识别框架的构建原则及方法。其次，提出证据源的特征信息遴选方法，以提炼关键的影响决策目标的特征，并降低多维证据修饰框架的信息维度，减少后续多维信息融合计算复杂度。在此基础上，提出两类获取多维证据基本可信度函数的方法。最后，提出基于深度学习的多维证据信息合成方法，并通过构造层次学习样本体系，优化学习来获取多维证据合成过程中的结构参数。多维证据理论体系综合考虑证据源质量、可靠性及获取过程等特征，为多源异质信息融合问题提供了一般性的解决框架。. 科学基金立项评估是多信息源（多个评价信息源）和多维度（多个影响信息源质量和可靠性的特征维度）的信息融合问题。本研究创新运用多维证据理论解决科学基金立项评估问题。将专家的综合评价和资助意见信息作为第一维证据识别框架，运用专家对项目的熟悉程度，文本评语以及前期评审绩效等信息构建多维证据修饰框架，刻画专家评议意见的质量和可靠性特征，据此形成专家综合评审能力指数，对各个专家的评审意见进行修正。运用多维证据合成规则对专家的意见进行合成，使得专家意见的融合结果更加科学合理，合成结果具有自适应和学习的能力。通过应用国家自然科学基金面上项目评审的历史数据对基于深度学习的多维证据理论方法进行验证表明，本研究提出的多维证据理论方法提高了专家评议意见融合的准确性，为科学基金立项评估决策提供了新的技术手段，可以提高科学基金立项评估工作的效益。此外，本研究还将多维证据理论方法拓展应用于证券分析、绩效评估等领域。