摘要
贝叶斯信念网络（BBNs）是处理不确定性决策的强大工具。然而，构建其结构与估计参数面临挑战。目前，研究人员必须在依赖专家判断和使用大型数据集学习网络结构与参数之间进行选择。我们提出了一种新方法，利用大型语言模型弥合专家意见与数据驱动学习之间的差距。
这种方法使用一组AI代理，根据特定角色和上下文估计概率。随后，我们应用修剪平均规则以去除响应中的噪声。我们开发了一个六步的BBN框架，并通过模型化客户在替代医疗系统中咨询医生的意图来进行说明。
模型显示，自我效能似乎是一个主要因素，但其实际因果影响较小。相反，主观规范在建模客户意图方面具有更强的效果。最有效的策略是同时提高信心和社区规范。
博主点评： 本文提出了一种创新的方法，通过结合专家知识与数据驱动的学习，利用AI技术优化贝叶斯网络的构建。这一方法不仅提升了决策支持的准确性，也为未来的研究提供了新的视角，尤其是在处理复杂的医疗决策时。该框架的实用性和灵活性值得关注。