精选今天0 投票
AI 虚拟调查：用大语言模型构建贝叶斯网络，决策支持新路径
贝叶斯信念网络（BBN）是处理不确定性决策的经典工具，但构建其结构和参数一直是个难题：传统上要么依赖专家判断，要么依赖大规模数据集。近日，来自印度管理学院科泽科德分校的研究团队提出了一种新方法，利用大语言模型（LLM） 模拟专家小组，通过“虚拟调查”的方式为 BBN 提供概率估计，从而在专家经验和数据驱动之间架起桥梁。相关论文发表于 arXiv（编号 2607.14141）。
方法核心：AI 代理与修剪均值
研究团队设计了一个六步框架，核心思路是：不再向真实专家发放问卷，而是让多个AI 代理扮演不同角色（如不同背景的虚拟人员），基于特定语境和人物设定来估计条件概率。为消除个别代理的“噪声”回答，团队采用了修剪均值策略，剔除极端值后取平均，从而得到更稳健的概率参数。
案例验证：替代医疗系统中的咨询意图
为了验证方法的有效性，团队以“患者咨询替代医疗系统医生”的决策场景为例，构建了相应的 BBN 模型。模型分析揭示了几个反直觉的发现：
- 自我效能虽然是显性因素，但其实际因果影响很小；
- 相比之下，主观规范（即周围人看法和社会压力）对咨询意图的影响要强得多；
- 最有效的干预策略是同时提升患者自信和社区规范，而非单点发力。
这一结果说明，传统上依赖专家直觉或单一数据源可能忽略关键变量间的真实权重，而 LLM 驱动的虚拟调查能够提供更丰富的因果洞察。
行业意义与局限
这项研究的价值在于降低了 BBN 构建的门槛：无需耗费大量人力进行专家访谈，也无需等待大规模数据积累。对于运营决策支持场景（如医疗、金融、供应链等），该方法可以快速生成可用的概率模型。
不过，该方法目前仍处于理论验证阶段，其输出质量高度依赖 LLM 的领域知识准确性和角色模拟的真实性。此外，如何确保 AI 代理的回答不包含系统性偏见，也是后续需要解决的问题。
小结
这项研究展示了 LLM 在因果建模和概率推理中的新角色——不是替代专家，而是作为“虚拟专家小组”的补充。随着 LLM 能力的提升，类似的“AI 辅助知识工程”方法有望在更多领域落地，帮助组织在信息不完备的情况下做出更科学的决策。