53、决策支持系统：融合决策辅助与决策训练

决策支持系统：融合决策辅助与决策训练

1. 决策理论的演变

决策理论在过去几十年经历了显著的变革。早期，自冯·诺伊曼和摩根斯坦1947年发表《博弈论与经济行为》后的近二十年里，理想决策的标准是纯粹理性，以数学和数理逻辑为代表。在这种纯粹理性框架下，决策问题被规范化为明确的数学关系，决策被形式化为具有明确结果的过程，通过符号和数值技术可精确确定最优决策。然而，人类决策在与基于数学的最优过程比较中表现不佳，因此需要外部决策支持，最初是数学算法，后来是计算机实现的算法，这可视为第一代决策支持。

但不久后，西蒙（1955, 1972）和马奇（1976）等经济学家指出，将理性定义为纯粹优化并不合适。在实际决策的行为情境中，人们往往只需达到“足够好”的决策即可。形式上的最优决策与其他能实现预期目标的次优决策相比，实际效益相差不大，这种决策被称为“满意”解决方案，由此产生了有限理性的概念。有限理性下决策的关键在于所需的知识，除了纯粹理性决策所需的关于问题及其约束的知识外，决策者还需要了解决策的行为背景，即形式理性的边界。

有限理性的概念使人们对人类作为有缺陷决策者的看法有所缓和，引发了对人们实际决策过程的更多研究。这导致了两条不同的研究和理论路线。一条路线关注人们获取和应用在纯粹或有限理性下决策所需知识的过程，如拉菲法（1968）、爱德华兹等人（1968）、利尔和皮尔（1977）以及基尼（1982）等研究者开发了相关模型。这些研究强调决策的分析方法，将问题系统地分析并分解为组件和步骤，其计算机实现构成了第二代决策支持。

另一条路线是行为决策理论，它试图从人们实际决策的角度而非形式逻辑的要求来发展决策理论。在20世纪70年代和80年代的大部分时间里，行为决策理论研究者试图描绘人类决策过程的特征，但结果显示人类决策存在各种启发式方法，且这些方法常导致判断中的系统性偏差和错误。然而，到了20世纪80年代，这种观点受到了挑战。L. J. 科恩（1981）指出行为决策理论“启发式与偏差”框架的两个缺陷：一是大多数研究者以形式理性为模型来衡量各种启发式的偏差效应；二是卡尼曼和特沃斯基发现的有偏差决策仅在高度人为的问题中出现，不太可能在日常行为中发生。

与此同时，H. L. 德雷福斯及其同事，尤其是克莱因，开始对决策的过度形式化做出反应。克莱因（1980）指出，专家决策与新手决策不仅在程度上不同，而且在本质上也不同。20世纪80年代，克莱因等研究者开始在实地环境中对人类决策进行实证研究，这些研究中的决策问题与纯粹理性时代以来的传统定义不同，具有竞争目标、结构少以及不确定和动态的环境等特点。基于这些研究，产生了自然主义决策理论，该理论认为在自然环境中，决策不是一个明确的事件，而是决策者在更大动态任务中采取的行动。专家决策者凭借其专业知识和经验，能够快速识别主要行动方案并根据情况进行调整，无需传统决策理论所建议的中间分析步骤。这催生了第三代决策支持，强调捕捉和自动化高技能决策者的专业知识。

2. 决策情境的基础理论

自然主义决策理论有几个主要原则：人类决策在社会/行为背景下与实验室环境不同，应在自然主义背景下进行研究；决策所嵌入的基础任务以及特定问题实例发生的情境对人类专家制定决策方法至关重要；行动和决策高度相关，决策往往在行动之后才显现出来；人类专家并非以分析或有意识的方式做出决策，而是应用他们积累的经验和知识来确定最合适的行动。

然而，自然主义决策理论的支持者在指出经典理论局限性的同时，可能忽略了两种理论在许多领域是互补而非矛盾的。首先，不同理论关注的决策情境类型不同。自然主义决策理论关注的决策情境虽然个体定义可能不明确，但决策者在该领域具有专业知识，问题在该领域的术语和原则下是可解释的，过去的经验对未来决策有指导作用。而经典的纯粹和有限理性研究源于经济学问题，决策的实施会改变领域，过去的专业知识对未来决策的作用难以预测，这种情况下，仔细的问题形式化和系统的分析决策过程更有益。

其次，决策支持还需考虑决策者的专业知识程度。自然主义决策理论主要关注专家决策者的行为，但并非所有决策者都是专家。在稳定领域中，新手决策者可能随着时间成长为专家，而面临一次性决策的决策者与新手决策者情况相似，他们都缺乏相关领域原则的经验和知识基础。这表明为后者提供的形式化支持也可用于支持前者。

决策领域并非简单地分为稳定领域和动态领域，而是存在一个连续体。在这个连续体的一端，是独特的问题情境，决策者无法获得专业知识，所有人都是新手决策者；另一端是具有重复特征的问题情境，决策者有机会发展有意义的专业知识，包括专家、中级技能者和不同程度的新手。这种不对称的决策空间对决策理论和决策支持有进一步的影响。在连续体右侧，自然主义决策理论认为专家基于先前经验和领域知识“知道该做什么”，这表明决策和决策学习之间存在关系，进而决策支持和决策训练之间也存在关系。对于非专家决策者，他们既需要决策训练来提高专业知识，也需要决策辅助来支持实际决策。而在连续体左侧，决策训练的价值不大，但分析过程辅助等决策支持可能有助于人们在新颖情况下做出最佳决策。这引发了几个重要问题：决策技能如何从新手发展为专家？是否有一种通用的支持方式适用于所有决策者？是否可以有一个通用的设计方法来同时支持决策辅助和决策训练？

3. 从新手到专家的演变

近年来，关于个体决策专业知识如何通过学习和经验发展已达成共识。众多关于新手 - 专家差异和决策技能学习的研究表明，新手和专家决策者在两个主要维度上存在明显差异：领域知识和决策策略。

从个体发展/学习的角度来看，领域知识和问题解决策略的变化是高度相互依赖的。随着一个人在领域中变得更加专业，知识在两个方面发生变化：一是领域知识的数量增加；二是领域知识的质量提高，从新手主要掌握事实和基本概念，到专家掌握概念之间的相互关系、因果关系以及抽象和一般原则。

决策策略的变化取决于问题解决能力的四个方面：
- 能够在问题空间中整合子目标和策略，即“组块化”过程，类似于领域知识的定性变化。
- 用更直观或基于案例的方法取代分析方法来解决问题。新手倾向于分析问题的多个变量，而专家则利用整合的知识和问题解决方法，采用看似更“直观”、“整体”或基于案例的方法。
- 用强大的、特定领域的方法取代较弱的、通用的问题解决方法。新手使用如试错和穷举法等领域无关的策略，而随着领域知识的增加，会采用针对领域特点的方法。
- 从局部关注转变为全局关注。新手对问题的个别数据做出反应，而专家会设定目标或子目标来解决问题的部分或全部。

基于这些区别，可以开发一个更精细的决策技能发展阶段模型，一般认为决策技能发展有三个主要阶段：新手、中级和专家。新手拥有相对完整的领域描述性或基线知识，但缺乏知识的高级组织和组块化，也没有特定领域的决策策略。专家则拥有复杂的、综合的关于领域和决策任务的陈述性和程序性知识，能够根据特定模式或决策类型识别问题并直接应用解决方案策略。中级阶段的决策者处于新手和专家之间，他们在积累领域知识、学习和组块化有效的程序或部分解决方案程序，并强调对问题条件的分析以缩小可能的问题解决方案或决策空间。

不同阶段的特征如下表所示：
|阶段|领域知识|问题解决特征|
| ---- | ---- | ---- |
|新手|事实、基本概念|顺序子目标、局部关注；分析性问题解决；弱的、通用方法|
|专家|概念之间的相互关系、因果关系、抽象和/或一般原则|子目标组块化、全局关注；基于案例/直观的问题解决；强大的、特定领域方法|

新手缺乏特定领域的决策策略，依赖较弱的分析方法，这与经典决策理论的预测一致。随着专业知识的增长，个体开始发展特定领域的策略，能够解决一些特定情况或部分问题。当真正成为专家时，个体拥有丰富的领域概念模型，能够直接识别决策情况并应用相应的解决方案策略，这与自然主义决策理论的预测相符。

4. 一种方案是否适用于所有人？

决策领域的分析表明，有些领域人们只能是新手决策者，而有些领域人们有机会发展特定领域的决策专业知识。决策专业知识的演变分析显示，在后者类型的领域中，决策者会经历不同的发展阶段，每个阶段与不同的问题 - 领域表示和决策策略相关。同时，支持人类决策者有两种方式：辅助实际决策表现和训练决策者以提高专业知识。这使得决策支持系统的设计变得复杂，人们不禁会问，是否有一种支持方式能同时适用于训练和辅助，或者是否有一种支持方式对新手、中级和专家都同样有效。

不幸的是，答案是否定的。许多实证研究表明，将面向专家的辅助（或训练）应用于新手，或反之，都会遇到困难。例如，一个名为PANDA的决策辅助工具，用于帮助空中搜索者制定海洋搜索模式。它采用专家导向的问题表示，生成基于不同假设的建议模式，并包含一个数值规则来评分候选搜索计划。在实验评估中，新手用户通常只是选择得分最高的模式，因为他们缺乏专家水平的表示能力来分析和解释建议。而专家用户能够更有知识地解释建议，根据情况选择或修改建议。新手用户可能会高估自己的能力，导致决策时间延长、解决方案质量下降，且对决策环境的理解没有提高。

伍兹等人（1990）还提供了其他例子，如一个用于电子维修技术人员的诊断/故障排除辅助工具，使用标准专家系统技术，直接纳入专家的推理规则。新手在使用该工具时遇到了许多困难，如规则隐含假设设备一次只有一个问题，新手缺乏相关条件知识，遇到多个问题时往往放弃；此外，专家知识隐含假设使用者具备专家级的操作和心理运动技能，新手在使用和解释一些仪器时能力不足，导致错误的读数和决策建议。而专家通常会拒绝使用面向新手的辅助工具，因为这些工具的高度分析过程无法让他们利用自己基于经验和识别的决策策略。

5. 决策支持的原则

早期决策支持的发展较少关注决策者的专业知识水平与辅助工具的专业知识水平之间的匹配，以及训练效益和辅助效益之间的差异。但通过对决策问题、专业知识和决策支持的分析，可以提炼出一些决策支持的原则：
- 最大有效的决策辅助要求决策辅助中的问题表示反映使用该辅助的决策者的问题表示和认知过程。
- 决策训练必须基于学生或受训者当前的心理表示和知识结构，以及训练所针对的领域或系统的具体细节。
- 训练开发方法必须将行为考虑因素融入认知方法中。
- 决策技能可以分解为三个知识/技能组件：概念知识/技能（领域事实和概念）、程序知识/技能（完成工作任务的规则和程序以及执行能力）和关系知识/技能（基于综合概念和程序知识的特定领域决策技能）。
- 技能发展涉及从概念知识/技能到程序知识/技能再到关系知识/技能的进步，以及问题表示（方案、心理模型）复杂度的增加。

这些原则对决策支持系统的设计方法有重要影响：
- 决策支持必须针对决策者在专业知识连续体上的特定位置或区域。决策辅助应根据用户群体的专业知识水平提供不同的辅助方案，不存在“一刀切”的决策辅助。根据新手、中级和专家三个层次的模型，决策辅助应分为三个层次。
- 决策辅助的设计必须分析用户的认知过程和问题表示，以及相关的外部领域和物理系统。决策辅助设计若不考虑用户的认知过程，很可能被拒绝或无法为目标用户提供有意义的支持。因此，设计决策支持系统的决策辅助组件时，必须先对用户进行认知描述和建模，然后进行认知分析以确定特定的决策辅助要求。
- 决策支持系统中的训练组件设计很大程度上可以基于与决策辅助设计相同的认知建模和分析，前提是认知方法包含适当的组件。
- 训练可以有两种形式：增量训练和表征训练。增量训练旨在通过增加或修改特定知识来小幅但明显地提高决策表现，可以通过分析给定的认知表示，识别局部缺陷或低效之处，并应用相应的训练方法来消除这些限制。表征训练的目标是引导学生对其问题表示进行重大修改，可以通过分析给定的认知表示，选择更像专家的目标表示，并应用跨层次训练方法来实现。

这些原则可以整合到一个通用的决策支持框架中，如以下mermaid流程图所示：

graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;

    A(认知分解和建模):::process --> B(功能需求定义):::process
    B --> C(功能设计):::process
    C --> D(架构设计):::process
    D --> E(详细设计和实现):::process

这个框架展示了决策支持系统设计的整体流程，从对用户的认知分析开始，逐步确定功能需求、设计功能、架构和进行详细设计与实现。通过这种方式，可以将决策辅助和决策训练的设计整合在一起，为不同专业知识水平的用户提供有效的决策支持。

决策支持系统：融合决策辅助与决策训练

6. 决策训练与决策辅助的集成设计方法

从前面提到的决策支持框架可以确定决策支持系统设计的总体流程，该流程分为五个一般阶段：
1. 认知分解和建模 ：研究并描绘要支持的用户（类别）的表示和决策策略。此阶段使用两个相关工具来收集和分析用户问题表示和决策策略的数据。第一个工具是行为/认知分析协议，它包含一系列关于待辅助/训练任务、任务执行环境和领域以及新手、中级和专家操作员执行任务方式的具体问题。第二个工具是COGNET，一种认知建模技术和描述语言，用于表示认知和行为过程。该阶段的中间结果是结构化的决策任务总结描述（TSD），其格式如下表所示：
|元素|描述|
| ---- | ---- |
|领域/环境|可用信息元素的总结及其物理呈现|
|任务|主要目标、动态和基础过程|
|决策过程|用于做出选择的主要价值标准|
|决策者的领域表示|以黑板结构组织的领域知识表示|
|决策者的决策策略|决策策略的描述|

COGNET分析产生决策者的三个不同详细程度的模型：多面板黑板模型捕捉决策者的心理模型；一组推理步骤或认知任务定义问题解决活动；详细描述表征每个认知任务中的决策策略。这些模型分别为新手、中级和专家操作员总结，以填充TSD的最后三个部分。
2. 功能需求定义 ：一旦设计人员构建了完整的TSD集并满意后，就进入此步骤。该步骤包括“识别辅助/训练需求”和“定义决策支持系统（DSS）功能”，旨在确定DSS应用程序的功能需求。首先，分析TSD以识别限制决策者决策表现和技能获取的知识和认知限制。然后，将这些限制转化为决策辅助和/或决策训练的功能需求。相关的限制和对应的可行功能如下表所示：
|决策与学习困难|决策辅助功能|决策训练功能|
| ---- | ---- | ---- |
|过程预测困难|过程预测|实践/探索环境|
|组合决策属性困难|选择建模|性能反馈与评估|
|信息组织、访问、监控困难|信息管理|问题查询/数据支撑|
|可视化/表示限制|表征支持|概念训练|
|应用推理方法困难|自动推理/解释|性能建议/辅导/支撑|
|注意力管理、识别启发式/领域知识困难|注意力提示/问题空间划分|元认知训练/认知诊断|

3. 功能设计 ：此阶段的目标是确定满足指定功能需求的决策辅助和嵌入式训练技术范围。使用一个组件计算技术的分类法，该分类法按技术可执行的功能类型组织，与TSD、前面提到的限制和可行功能表相关。例如，过程建模技术可提供过程预测和探索性学习环境；选择建模技术可提供属性组合计算模型和学生性能评估。设计人员将每个功能需求映射到分类法中的相应部分，确定适用的技术。然后，通过问题特定的成本/效益分析，从适用技术列表中选择单一技术来满足每个功能需求。
4. 架构设计 ：将选择的各种功能和技术集成以创建软件功能架构。人类决策者的任务和决策过程的动态在组织此架构的控制方案中起主要作用，根据任务动态（如迭代任务需要闭环控制流，展开的决策序列需要更层次化的控制流）确定总体控制流。然后，将各个功能组件置于控制结构中，并确定数据流要求。理想情况下，使用形式化规范技术（如数据流图、面向对象规范）来捕获这些架构关系。
5. 详细设计和实现 ：从架构规范开始，进行软件、人机界面和数据环境的详细工程。这些步骤属于标准的软件和系统工程问题。

7. 结论

决策支持领域存在竞争理论，如当前的自然主义决策理论和更经典的关注纯粹和/或有限理性的规范理论。通过对决策支持的研究，重新审视了决策的基本定义和特征，确定决策支持空间应由问题领域的特征和决策者的专业知识程度两个维度来定义。这个空间是不对称的，因为有些领域决策者无法获得专业知识，而在其他领域则有机会。在决策者专业知识维度适用的领域，决策支持必须考虑决策者的专业知识水平，并且应将决策支持视为由决策辅助和决策训练两个互补方面组成。

为了解决决策支持系统设计的实际问题，提出了一种详细的设计方法。该方法基于理论分析，展示了如何以集成的方式设计决策辅助和决策训练系统，从共同的认知分析方法、技术基础和分析技术出发。这种方法有望简化未来决策辅助、决策训练和集成决策支持系统的设计任务，为决策支持领域提供统一的框架，促进该领域的发展。

以下是决策支持系统设计流程的mermaid流程图：

graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;

    A(认知分解和建模):::process --> B(功能需求定义):::process
    B --> C(功能设计):::process
    C --> D(架构设计):::process
    D --> E(详细设计和实现):::process

通过以上流程和方法，可以更好地设计出满足不同决策者需求的决策支持系统，提高决策的效率和质量。