量子类证据网络决策模型(QLENDM)：突破概率框架局限的认知实验预测新范式

【编辑推荐】针对认知实验中"必然性原则"(Sure Thing Principle)的偏离现象，研究团队创新性地在证据理论框架下提出量子类证据网络决策模型(QLENDM)。该模型通过量子类基本概率分配(quantum-like basic probability assignment)有效表征全局/局部无知信息，基于焦元结构距离自动拟合干涉效应参数，在囚徒困境、两阶段赌博等实验中展现出优于量子动力学马尔可夫模型(QDM)、量子类贝叶斯网络(QLBN)等现有模型的预测性能，为认知科学和信息检索领域提供了更精准的决策分析工具。

　　

在认知科学领域，决策行为常常违背经典概率论的"必然性原则"(Sure Thing Principle)——当人们知道事件X发生或不发生时都偏好选择A，却在不知道X是否发生时改变选择。这种被称为"认知悖论"的现象在囚徒困境、两阶段赌博等经典实验中被反复验证，传统概率模型对此束手无策。虽然量子概率理论框架下的量子动力学马尔可夫模型(QDM)、量子类贝叶斯网络(QLBN)等尝试解释这种偏离，但它们仍无法有效处理实验中的全局无知(global ignorance)和局部无知(local ignorance)信息，例如当参与者行为未知时，简单的等概率分配会低估埃尔斯伯格悖论揭示的真实不确定性。

针对这一瓶颈，中国研究人员创新性地将Dempster-Shafer证据理论引入量子模型，提出量子类证据网络决策模型(QLENDM)。该模型突破性地采用量子类基本概率分配(quantum-like basic probability assignment)替代传统概率分布，既能表征"完全未知"的全局无知状态（如囚徒困境中对手策略未明），也能刻画"部分未知"的局部不确定情境。更巧妙的是，研究团队基于焦元(focal element)结构特征，开发出通过基本概率分配距离自动量化干涉效应参数的启发式算法，避免了复杂量子参数计算。实验证明，QLENDM在囚徒困境、两阶段赌博和分类决策实验中的预测误差平均值和标准差均显著低于QLBN、SMQLBN等对比模型，在文档相关性判断任务中RE(Relative Error)降低达40%。

关键技术包括：1）构建量子类基本概率分配框架处理全局/局部无知信息；2）基于焦元距离的干涉效应参数自动拟合算法；3）通过基本概率分配联合分布生成决策预测；4）采用分裂思想(splitting)将基本概率分配转化为可验证的概率分布。

【量子类证据网络决策模型架构】
通过建立证据理论与量子概率的桥梁，QLENDM用基本概率分配m(A)同时编码确定信念与量子干涉效应。例如在囚徒困境中，当第一参与者行为未知时，m({Defect,Cooperate})=1能准确表达完全无知状态，而传统模型强制的等概率分配(0.5,0.5)会扭曲真实不确定性。

【全局无知信息实验验证】
在囚徒困境和两阶段赌博实验中，QLENDM对第二参与者行为的预测与实验观测值平均绝对误差仅0.032，显著优于QLBN的0.078。特别在"高不确定性"决策节点，其优势更为明显，验证了基本概率分配对全局无知建模的有效性。

【局部无知信息实验验证】
针对Busemeyer分类决策实验，QLENDM通过嵌套焦元结构处理条件概率的不确定性，预测准确率较量子动力学模型提升22%，证明其对局部无知信息的捕捉能力。

【参数敏感性分析】
当距离参数D_q∈[10,30]时模型表现稳定，RE波动小于5%，显示算法鲁棒性。但D_q>50时性能下降，提示需平衡焦元距离与量子干涉的映射关系。

这项发表于《Engineering Applications of Artificial Intelligence》的研究具有三重突破意义：理论上首次实现证据理论与量子概率的有机融合，方法上开创了基于焦元结构的参数自动拟合范式，应用上为多阶段决策、群体认知等复杂场景提供了可扩展的建模工具。正如Pan等指出的，这种"不确定性驱动的干涉效应量化"思路，可能为脑科学中的量子认知机制研究开辟新途径。未来工作将聚焦于多智能体系统中的证据网络动态演化，以及基于fMRI实验的量子-证据神经机制验证。