论文
LLM因果图发现用于解释结构化建模
Overcoming Challenges of Interpretive Structural Modeling with Large Language Models
摘要
解释结构化建模（ISM）是多准则决策的知名方法，其优势在于能建模因果关系、因素的二元尺度及所得的层级结构。传统建模流程需要与领域专家反复交互直至达成共识，过程繁琐、劳动密集，且限制ISM扩展到数百变量研究的能力。借鉴以大语言模型为不完美专家的因果图发现工作，本文探索LLM与ISM结合的一体化方法，比较并评估成对、k元、行式与全图四种发现方法。结果显示行式方法（SHD=160，F1=0.77）与全图方法（SHD=135，F1=0.73）最适合ISM的因果图发现。