在多准则决策辅助中整合反应时间与注意力持续时间的贝叶斯偏好学习

《European Journal of Operational Research》：Integrating response time and attention duration in Bayesian preference learning for multiple criteria decision aiding

　　

本文介绍了以下要点：
• 提出了一种用于从行为中推断偏好的贝叶斯多准则决策辅助（MCDA）框架。
• 通过对响应时间和关注持续时间进行增强，丰富了成对比较信息。
• 通过后验值表示量化偏好不确定性。
• 实验室实验表明，样本外偏好预测效果得到改善。
• 行为信号揭示了决策风格，可为自适应决策支持提供参考。

引言

在决策情境中，问题日益复杂，对稳健方法支持的需求也随之增加。过去数十年间，多准则决策辅助（MCDA）通过提供一种结构化方法，解决了对冲突准则下的竞争备选方案进行评估的需求（Greco 等人，2025）。从早期的理论基础到在工程（Angelopoulos 等人，2019）、环境（Torkayesh 等人，2024）、教育（Angilella 等人，2016）、国防（Zhao 等人，2026）、经济（Arandarenko 等人，2020）以及可持续金融（Xidonas 等人，2026）等领域的当代应用，MCDA 已发展成为一门针对选择、排序和分类问题的实用学科（Cinelli 等人，2020）。关于 MCDA 最新发展的综述可参阅 Ehrgott 等人（2026）和 Greco 等人（2025）。

一旦决策问题完成结构化，MCDA 通常通过三个相互关联的阶段进行：首先，从决策者（DM）处获取偏好信息，以捕捉决策者对备选方案的偏好；其次，将这些信息组织为偏好的正式表示，以便评估每个选项与决策者偏好的契合程度，并促进备选方案之间的比较；最后，利用所得偏好模型支持推荐，并结合决策情境和可用信息透明地证明其合理性（Grillo 等人，2025）。因此，MCDA 的有效性关键取决于所获取偏好信息的性质以及这些信息被纳入偏好模型的方式。

在这方面，偏好获取通常被分类为直接获取或间接获取。直接偏好信息要求决策者指定偏好模型的参数，如精确的权衡权重或判别阈值。虽然这些信息是明确的，但往往认知负荷较高，难以被决策者可靠地表述（Ru 等人，2022）。相比之下，间接偏好信息包括整体判断，例如参考备选方案的成对比较或排序，其认知负荷较低。向间接获取的转变促进了偏好分解范式（如 UTA 方法（Jacquet-Lagreze & Siskos，1982）、稳健序数回归（ROR）（Greco 等人，2010）、随机序数回归（SOR）（Kadziński & Tervonen，2013）、贝叶斯序数回归（BOR）（Ru 等人，2022）以及概率序数回归（POR）（Grillo 等人，2025））的广泛应用。在这一范式中，推断出一个与观察到的整体判断兼容的偏好模型，并将其应用于所有备选方案，以提供决策支持（Jacquet-Lagreze 和 Siskos，2001；Liu 等人，2019）。

尽管这一范式取得了成功，但在如何利用所获取的信息方面仍存在一个关键局限。当前的先进分解方法仅依赖于整体判断的显性结果。仅关注备选方案 A 是否优于 B，这些方法丢弃了在获取任务中产生的丰富的过程级证据。当提供的判断稀疏或有噪声时，这种有限的证据基础可能导致不稳定的偏好表示，从而影响后续决策支持的可靠性。本研究通过采用一种建构主义视角来应对这一局限，该视角认为偏好并非预先定义的存在，而是通过与决策情境的互动建构而成的（Greco 等人，2025；Slovic，1995）。具体而言，价值判断和权衡受到任务结构、获取程序以及深思熟虑过程中所需认知努力的影响（Payne 等人，1999）。将 MCDA 从纯结果导向方法推进至反映这一建构过程的框架，已被确定为重要的方法论方向（Greco 等人，2025）。

为弥补这一差距，我们提出了一种框架，通过将整体判断与获取过程中产生的过程追踪信号相结合来丰富偏好表示。虽然大量行为信号（如眼动追踪指标（Linde-Domingo & Spitzer，2024）（例如，注视、扫视和注视持续时间）、表达的情绪（Grimani 等人，2024）、生理测量（Khazaei 和 Faghih，2024；Telpaz 等人，2015）（例如，心率变异性）和自我报告的置信度（Double & Birney，2024）（例如，置信度评分、感知难度、满意度和主观评估））可为决策过程提供客观见解（Martinovici 等人，2023），但其中许多对于标准 MCDA 应用而言不切实际（Greco 等人，2025）。在这些信号中，响应时间和关注持续时间尤其适合，因为它们自然产生且可无干扰地捕获（Chen 等人，2023；Cotet 等人，2025）。实证研究表明，响应时间随备选方案间主观价值差异系统性变化，从而可作为判别力的稳健代理指标（Ratcliff，1978；Teodorescu 和 Usher，2013）。此外，将响应时间与选择数据相结合已被证明可提高基于价值的模型的预测性能（Clithero，2018）。与此互补，关注持续时间捕捉了决策者如何在属性间分配认知资源。基于时间的关注度量已被用于推断相对属性重要性（Geng，2016；Masatlioglu 等人，2012），而动态关注重分配则与风险情境下不断演变的偏好结构相关联（Busemeyer & Townsend，1993）。综上所述，响应时间提供了关于备选方案间确定性和判别力的信息，而关注持续时间则捕捉了判断构建过程中特定准则的显著性。

基于这些基础，本文提出了一种新的行为增强贝叶斯序数回归（Behaviorally Augmented Bayesian Ordinal Regression）方法。在该框架中，决策者提供成对比较，同时系统记录响应时间和准则级关注持续时间。我们使用加法价值函数表示决策者的偏好结构，并将其视为贝叶斯框架下的未观察随机变量。我们的目标是推导出一个后验分布，该分布刻画了合理的偏好表示集合。通过基于我们的基本公理，对选择结果和行为信号的形式化概率似然，该框架根据候选参数与观察到的深思过程的一致性对其进行区分。结果，后验分布在更符合观察到的行为证据的参数配置上集中了更多的概率质量。这种概率方法的一个重要特征是其能够容纳所获判断中的不一致性。与要求偏好表示与所有观察严格兼容的确定性方法不同，贝叶斯方法根据其似然将概率质量分配给每个候选配置。这允许将有限数量的不一致判断纳入而不对其余证据产生不成比例的影响，从而支持推断出的偏好表示在后续决策辅助任务中的可靠性。

本研究在 MCDA 的偏好获取与推断方法学方面做出了三个主要贡献（Greco 等人，2025）。首先，我们通过引入过程级行为信号来扩展偏好分解范式。传统方法仅依赖于整体偏好结果，而我们提出了一种框架，将响应时间和关注持续时间作为与判别力和准则重要性相关的辅助指标。通过利用获取过程中自然产生的信息，该方法在不增加决策者认知负荷的情况下缓解了信息稀疏的挑战。其次，我们开发了一个贝叶斯学习框架，整合多种行为数据，并为建构性偏好中的不确定性提供了一种一致的处理方式。在该框架中，我们将偏好表示视为未观察随机变量，这使得可以明确表示所获判断中的不确定性和部分可观察性。通过在可行参数配置空间中分配概率质量并基于其似然进行区分，该方法在信息有限时仍能支持一致且稳健的推荐。通过将成对比较、响应时间和关注持续时间形式化为在同一决策情境中生成的条件信息观察，该框架为 MCDA 中的偏好学习提供了统一视角。第三，我们通过一项涉及 102 名参与者的实验研究进行评估，该研究采用一个真实的合同选择任务。将所提方法与常规基准（包括贝叶斯序数回归以及仅包含单一行为信号的变体）进行比较。结果表明，响应时间和关注持续时间的联合整合产生的偏好表示与后续获取的判断之间表现出显著更强的一致性。最终，研究结果证实了所提框架的实际价值，并展示了纳入更丰富的行为证据如何能在传统结果导向方法的局限性之外提升偏好构建。

本文其余部分组织如下。第2节介绍问题描述和偏好框架。第3节回顾涉及真实世界主体的 MCDA 实验研究。第4节阐述所提方法在合同选择实验室实验中的适用性，并报告比较性能和稳健性分析结果。第5节总结本文并提出未来研究方向。

第2节片段：问题描述与符号

考虑一个多准则决策问题，决策者希望将有限备选方案集从最佳到最差进行排序，或选择最偏好的方案。形式上，我们记一个包含 N 个备选方案的集合 ??={a?,…,a?,…,a_N}，假设每个备选方案根据 M 个准则族 ??={g?,…,g?,…,g_M} 进行评估。每个准则 g?:??→? 将备选方案 a? 映射为其在准则 g? 上的绩效分数 g?(a?)。不失一般性，我们假设所有准则均为收益型。

第3节片段：MCDA 中涉及真实世界主体的实验研究回顾

以真实世界主体为对象的行为研究实验大幅推进了对决策过程的理解。例如，开创性研究揭示，由于系统性的认知偏差（如框架效应和启发式依赖），个体常偏离理性人范式（Kahneman 和 Tversky，1979；Tversky 和 Kahneman，1974）。他们发展出的前景理论为人类如何评估风险提供了一个更具心理学真实性的解释。

第4节片段：实验任务

在实验中，参与者评估了由中国三大网络运营商提供的15份真实手机合约。其中，10份合约用于方法开发，5份作为留出备选方案用于样本外验证。每份合约使用两个收益型准则和四个成本型准则描述：g?（国内通话），包含的国内通话免费时长；g?（国内流量），合约中包含的免费流量额度；g?（超额通话费）……

第5节片段：结论

本研究提出了一种新颖的贝叶斯偏好学习框架，在多准则决策辅助问题中，将成对比较与行为线索（特别是响应时间和关注持续时间）相结合。与仅依赖所获比较结果的传统 MCDA 方法不同，所提框架将行为线索作为在获取过程中产生的额外偏好信息来源纳入。这些线索被表示为……

CRediT 作者贡献声明

Jiaxuan Jiang：撰写——审阅与编辑，撰写——初稿，可视化，验证，软件，方法论，形式化分析。Jiapeng Liu：撰写——审阅与编辑，监督，项目管理，方法论，资金支持。Mi?osz Kadziński：撰写——审阅与编辑，撰写——初稿，验证，资源，资金支持。Xiuwu Liao：撰写——审阅与编辑，监督，项目管理，调查研究。Jingyu Dong：撰写——审阅与编辑。

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：Jiapeng Liu 报告获得中国国家自然科学基金的支持。Jiapeng Liu 报告获得中国人文社会科学研究基金的资助。Milosz Kadzinski 报告获得波兰国家科学中心（SONATA BIS 项目）的资助。如有其他……

致谢

Jiapeng Liu 感谢中国国家自然科学基金（项目编号 72471184、72401227）以及中国人文社会科学研究基金（项目编号 24XJC630007）的支持。Mi?osz Kadziński 获得波兰科学与高等教育部的资助（项目编号 0311/SBAD）。

Jiaxuan Jiang | Jiapeng Liu | Mi?osz Kadziński | Xiuwu Liao | Jingyu Dong