【AI+信息系统 (GOVERNMENT)】从人工智能和应用的角度看大规模决策的特征、分类、挑战和未来方向

     过去十年，社会媒体和电子民主技术取得了巨大的发展，大规模决策(LSDM)已经成为一个新兴的、快速发展的研究领域。LSDM事件是一类复杂的决策问题，其中涉及多个高度多样化的利益相关者，由于一些现存的LSDM研究是从群体决策情景中延伸出来的，因此LSDM问题没有既定的定义。本文首先提出了LSDM事件的明确定义和特征，作为描述这个新兴决策框架特征的基础；其次对LSDM文献进行了分类；接着提出了LSDM模型的分类法和概述，以其关键要素为前提，即现有模型所遵循的程序和具体步骤：共识测量、分组聚类、行为管理和共识建立机制；最后，我们进行了讨论，在讨论中我们确定了研究挑战，并从三个方面提出未来的研究方向。

2.1.1 LSDM框架的定义

LSDM：如果在决策活动中根据若干标准对所提供的备选方案进行评估，则邀请不少于 20 名决策者参与，并将决策过程作为一个动态过程实施。为了选择最终决策，同时增加参与者的支持或减少反对意见，我们称此决策活动为大型决策活动 （LSDM）；

 LSGDM/LGDM：在 LSDM 事件中，如果使用专家感知作为唯一标准对备选方案进行评估，并且偏好关系用于提供对替代项的比较评估，则我们将此事件称为大型集团决策 （LSGDM） 或大集团决策 （LGDM） 事件。

    LSDM、LSGDM和LGDM的框架的分类如图1所示。

图1 LSDM及其相关框架的分类

2.1.2 LSDM中的CRP(共识达成过程)

    CRP是一个动态的反馈过程，旨在提高DM之间的接受度和减少冲突。在大多数提出的的CRP中，如果初始共识度没有达到预设的共识度，将通过以下四个典型阶段来开展CRP，这四个阶段分别是：(1)聚类阶段，(2)非合作/关键DM/聚类检测阶段，(3) 偏好修改和建议反馈阶段，以及(4) DM的权重更新阶段。一个典型的LSDM方案，呈现出四个上述阶段，如图2所示。

 图2 未达到共识级别时LSDM 事件中的典型 CRP活动

2.2 LSDM文献的文献计量学分析

    为了系统地回顾和分析以往关于LSDM问题的研究成果，作者采用了两阶段的搜索过程来识别相关研究。首先，通过搜索“large scale decision making”作为标题、摘要的关键词，以及“Scopus”和“谷歌Scholar”数据库中的关键词，筛选出100余篇论文。其次，通过阅读这些文章，我们只选择了80篇与LSDM问题的方法论和理论决策方面密切相关的期刊和会议论文。图3显示每年的出版物数量和当年的出版物总被引次数(更新至2019年11月4日)。

图3 每年被引用的专注于LSDM问题的出版物数量

2.3  LSDM框架中使用的偏好表示法

    现有的LSDM出版物根据所使用的偏好表示进行分类。当面对复杂的 LSDM 事件时，DM 在进行评估时可能会在一定程度上带来不确定性。不确定性和犹豫可以显著影响最终决定。一些 LSDM 出版物注意使用不同的表述来处理 DM 的不确定性，例如模糊集的各种形式和扩展、偏好关系和语言信息。在本节中，现有 LSDM 出版物的代表性编号根据所使用的偏好表示进行分类。现有研究在表 1 中被总结归纳。

表1  LSDM模型中用于处理不确定性的三类偏好表示法

3.1 共识测量

    如前所述，CRP是LSDM进程所必需的。帮助尽可能高效地在所有决策者之间找到一个协商一致的决定。在LSDM情景下的CRP中，效率一词是指在较少的迭代中或在有限的数量内达成共识的目标的迭代次数。除了一些 LSDM 模型[1]，大部分所提出的LSDM方法中加入了CRP[2,3]。协议水平的测量是确定这种模型的一个关键方面。共识度可以在不同的标准下确定，并考虑决策者的不同方面。最广泛采用的方法是基于距离函数[4]来确定决策者之间的相似度。

3.2 子组聚类

    当共识度未达到时，CRP将继续进行一系列附加进程。由于CRP的主要目的是在较少的迭代次数内达到预设的共识水平，因此聚类方法被广泛应用于减少LSDM问题中决策者的规模，这使得一些治理过程适合在多个聚类中并行应用，从而提高CRP效率。LSDM问题的聚类方法可以根据收集意见的距离、利益偏好、决策者的关系等不同方面进行设计。在同一个聚类中，成员呈现类似的性能，可以标记为管理部的属性相同。在同一属性下，治理过程可以在呈现更多有效性的群组中实施。例如，如果检测到某个群组是最不合作的子群，则可以在这个群组中修改流程上的所有成员。

3.3 行为管理

    如果初始共识度没有达到预设的阈值