基于ELICIT信任驱动的社交网络语言大规模群体决策鲁棒共识模型研究

为解决社交网络环境下大规模群体决策(LSGDM)中决策者(DMs)偏好模糊性、信任关系表达不精确及调整成本不确定性问题，研究人员提出ELICIT信任驱动鲁棒共识模型(ELICIT-TDRCM)。该研究整合ELICIT信息表征偏好与信任关系，构建和谐网络确定权重，开发ELICIT-TDMCDM和ELICIT-TDRMCCM双模型框架，有效解决相关不确定成本问题并通过案例验证其提升共识效率的优越性。

　　

随着互联网技术发展，涉及20人以上的大规模群体决策(LSGDM)问题日益普遍。这类决策往往面临决策者(DMs)背景差异导致的意见冲突、语言表达模糊性以及调整成本难以量化等挑战。尤其在社交网络环境下，传统基于精确数值的信任评估方法不仅操作繁琐，更可能因计算过程损失语义信息。现有研究虽尝试引入分布式语言信任关系，却未能充分整合偏好相似性与信任影响，且对决策者调整意愿及相关成本不确定性的考量存在明显空白。

针对上述问题，研究人员提出基于扩展符号翻译比较语言表达式(ELICIT)的信任驱动鲁棒共识模型(ELICIT-TDRCM)。该研究首先利用ELICIT模型同时表征决策者偏好和社交信任关系，创新性地构建融合偏好相似度与信任度的"和谐网络"，通过社会网络分析(SNA)确定决策者权重。考虑到决策者隐含的置信水平与调整意愿，研究设计两阶段共识框架：第一阶段通过ELICIT信任驱动最大化共识水平模型(ELICIT-TDMCDM)验证共识可行性；第二阶段建立考虑相关不确定成本的ELICIT信任驱动鲁棒最小成本共识模型(ELICIT-TDRMCCM)，采用相关多面体不确定性集刻画成本扰动边界。

关键技术包括：1) ELICIT信息转换算法处理语言评估数据；2) 基于Pearson相关系数的偏好相似性计算；3) 构建含相关系数矩阵的Box uncertainty set；4) 鲁棒对等转换方法处理不确定优化问题。

研究结果部分：
ELICIT信任驱动共识模型构建
通过定义信任函数T_ij=ELICIT(τ_ij)量化社交关系，结合偏好相似度S_ij构建和谐度H_ij=αS_ij+(1-α)T_ij，实验显示当α=0.6时网络聚类效果最优。

双阶段共识框架验证
以大气污染治理方案选择为案例，ELICIT-TDMCDM验证当共识阈值γ≥0.85时需启动调整；ELICIT-TDRMCCM在不确定性水平Γ=1.2时降低总成本波动幅度达37.5%。

相关不确定成本分析
比较独立与相关不确定性假设下的成本分布，证实考虑成本相关性可使最坏情况成本降低21.3%，显著提升方案鲁棒性。

结论表明，该模型突破传统LSGDM中信任关系数值化表达的局限，首次将ELICIT信息、调整意愿约束与相关不确定成本优化有机结合。通过实际案例与对比实验证实，所提框架能有效降低共识成本风险，提升决策效率。研究为社交网络环境下复杂语言决策问题提供了兼具理论严谨性与实践操作性的新范式，对公共政策制定等需要平衡多方利益的场景具有重要应用价值。