LLM让ISM建模效率飙升，逐行方法F1达0.77！
Overcoming Challenges of Interpretive Structural Modeling with Large Language Models
📖 AI 总结
该研究针对解释结构模型（ISM）长期依赖专家反复交互、难以扩展至数百变量的问题，探索将大语言模型作为“不完美专家”引入ISM流程，实现因果图自动发现。作者比较了成对、k元、逐行和全图四种发现方法，结果显示逐行方法表现最佳（SHD=160，F1=0.77），全图方法次之（SHD=135，F1=0.73）。这项工作表明，LLM可在一定程度上替代人工交互，为ISM向大规模变量研究扩展提供了可行路径，对多准则决策与因果建模领域具有参考价值。
🔑 关键词速览
| Interpretive Structural Modeling (ISM) | 一种用于多准则决策的结构化建模方法，通过二元关系构建因素间的层次结构。 |
| Large Language Models (LLM) | 基于海量文本训练的大规模神经网络模型，能够生成文本并辅助推理。 |
| Causal Graph Discovery | 从数据或专家知识中推断变量间因果关系并构建有向图的过程。 |
| SHD (Structural Hamming Distance) | 衡量估计因果图与真实图之间差异的指标，值越小表示越接近真实结构。 |
| F1-score | 综合精确率和召回率的评价指标，用于衡量分类或图发现任务的准确性。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅