基于大语言模型(LLM)的贝叶斯图形模型(BGM)网络结构先验(Prior on Network Structure)获取方法——R包 bgmElicit 与概念验证

《British Journal of Mathematical and Statistical Psychology》：LLM-based prior elicitation for Bayesian graphical modeling

　　

研究人员提出一种利用大语言模型(Large Language Model, LLM)为贝叶斯图形模型(Bayesian Graphical Model, BGM)中马尔可夫随机场(Markov Random Field, MRF)网络结构先验(Prior on the Network Structure / Structure Prior)进行先验获取(Prior Elicitation)的新方法。该方法通过向LLM逐对查询变量间是否存在条件关联(Conditional Association)，强制LLM输出单字符判据"I"(Include,边存在)或"E"(Exclude,边不存在)，经多次随机排列取平均后转化为伯努利先验(Bernoulli Prior)中各边的先验包含概率πij∈[0,1]，并可进一步推导贝塔–伯努利先验(Beta–Bernoulli Prior)的超参数α,β及随机块模型(Stochastic Block Model, SBM)先验中期望聚类数λ。研究人员以创伤后应激障碍(Post?Traumatic Stress Disorder, PTSD)症状网络的已有元分析结果为基准，对多种OpenAI GPT系列模型在不同设定下的获取表现进行了验证，结果表明GPT?5配合5次排列可稳定获取与文献累积知识吻合度较高的边包含概率。该方法及配套R包 bgmElicit 与Shiny应用程序为BGM框架下的网络结构先验获取提供了成本较低且具可重复性的辅助工具，可作为领域专家判断与系统综述的补充而非替代。研究人员强调需结合先验敏感性分析与专家校验使用。

论文解读：基于LLM的贝叶斯图形模型网络结构先验获取方法研究

研究背景与开展缘由

贝叶斯图形模型(Bayesian Graphical Model, BGM)，尤其是高斯图形模型(Gaussian Graphical Model, GGM)和序数马尔可夫随机场(Markov Random Field, MRF)，已广泛应用于心理学网络心理测量学(Network Psychometrics)中以刻画心理构念间的条件关联关系(Conditional Association / Partial Association)。BGM框架允许在估计网络结构前对图结构Γ施加结构先验(Prior on Network Structure / Structure Prior)，如伯努利先验(Bernoulli Prior)、贝塔–伯努利先验(Beta–Bernoulli Prior)及随机块模型(Stochastic Block Model, SBM)先验，从而将理论假设量化入模型。然而在实际研究中，对p个节点需指定C(p,2)条边的先验包含概率π_ij或整体网络密度与聚类假设，传统上依赖耗时费力的专家研讨或系统综述，且易受文献遗漏影响，尚无针对心理网络模型结构先验获取(Prior Elicitation)的成熟方案。鉴于大语言模型(Large Language Model, LLM)经大规模科学文献预训练可编码跨域知识，研究人员提出利用LLM将文献与理论隐含知识转化为BGM结构先验信息，并给出概念验证及R软件实现。

主要关键技术方法

研究人员开发R包 bgmElicit（附Shiny应用），提供两种获取模式：(1) elicitEdgeProb——链式(Decision?Aware)策略，按随机排列顺序逐对提问当前边(v_i, v_j)，提示中含此前已判定边列表(I/E)及剩余变量集，促使其作条件一致性判断；(2) elicitEdgeProbLite——独立(Decision?Independent)轻量策略，每对边独立提问仅附剩余变量。系统提示固定LLM角色为"心理网络图形模型专家"，用户可添研究背景上下文(如DSM?IV症状定义)。温度设为零以保证确定性。若API返回token级对数概率(log?probabilities)，边包含概率π_ij^(r)= P(i)/[P(i)+P(e)]；否则取首非空白字符映射(I→1, E→0, 其他→0.5)，最终π_ij= mean_r=1^n_permπ_ij^(r)。函数 betaBernParameters()以矩法(Method of Moments, MoM)或最大似然(Maximum Likelihood Estimation, MLE)由I/E计数估计Beta?Binomial超参数α, β；函数 sbmClusters()对二值化包含概率矩阵做社区检测(Louvain/Walktrap/Fast Greedy/Infomap/Label Propagation/Edge Betweenness)给出SBM期望聚类数λ。验证以Isvoranu等人(2021) PTSD症状网络元分析九节点子网的二元边存在状态为真值基准，比较GPT?3.5?turbo/GPT?4/GPT?4o/GPT?4?turbo/GPT?5/GPT?5?mini/GPT?5?nano在有无DSM上下文、1/5/10次排列、两种函数下的Brier Score，并做系统提示敏感性分析。实证例采用Cao等人(2013)中国汶川地震幸存者N=362的17项PTSD量表(PCL?C)序数数据，以GPT?5获取伯努利先验后拟合序数MRF并与默认π_ij=0.5比较。

研究结果

2 PRIOR ELICITATION FOR BGM WITH bgmElicit

包支持OpenAI GPT系列，温度零确保可重复；elicitEdgeProb含决策链可改善全局一致性，elicitEdgeProbLite省成本；输出含关系汇总数据框、原始LLM交互、p×p包含概率矩阵(极值裁剪至.01/.99)、诊断信息。betaBernParameters()提供MoM与MLE两法估计α,β；sbmClusters()基于igraph社区检测算法返回聚类数与节点归属，并给出SBM先验λ建议值。

3 VALIDATION

以九症状PTSD子集(含强连接七症状簇及孤立"感觉疏离–情感麻木"对)对照Isvoranu汇总网络(剔除|权重|<0.1的边)。GPT?5(标准版)在多数条件下Brier Score最低(<0.2)，GPT?4?turbo与GPT?5?mini次之；GPT?4/4o/3.5?turbo表现较差。5次排列优于1次，10次无显著提升；提供DSM上下文对较小模型有益。elicitEdgeProb略优且稳于elicitEdgeProbLite，但对GPT?5差异微小。log?probabilities改善旧模型校准。系统提示敏感性分析表明GPT?5对措辞不敏感(无提示稍降)，GPT?4?turbo受益于详细默认提示。最佳模型正确识别最强边(侵入性思维×噩梦、内回避×外回避、感觉疏离×情感麻木)；个别边(噩梦×生理反应、心理易感性×内回避)LLM给低概率与该元分析显著但弱(|β|<0.1)相符，反映LLM整合更广文献；两被研究者排除的弱显著边LLM给>0.5概率亦与元分析大趋势一致。验证确认精选LLM可产生与累积实证知识大体一致的边先验包含概率。

4 EMPIRICAL EXAMPLE

对中国PTSD样本拟序MRF，LLM获取先验vs默认π=0.5：前者得37条边强证据包含、63条强排除、36条不确定；后者33/73/30。部分边由排除转不确定或包含(如"难以想象未来×兴趣丧失"π=0.60)，少数强排除转包含因低π(如"过度警觉×感觉不安"π≈0)，最强边(内回避×外回避、噩梦×侵入性思维、情感麻木×感觉疏离等)在两先验下均稳健。结果与既往PTSD网络文献一致，"遗忘症(amnesia)"中心性最低。说明获取先验可微调边推断方向而不颠覆强证据结构。

5 DISCUSSION

方法定位为概念验证，限于单一领域验证，未涵盖非OpenAI模型及多领域测试；不获取边权参数先验(Conditional Prior on Edge Weight Parameters)因其认知难度高且LLM数值可靠性不足。LLM不能取代专家或综述，可能含幻觉或低质源整合，须预注册流程、做先验敏感性分析、与专家/元分析三角互证。其价值在于无定量元分析或仅有定性证据时提供近似结构信息。未来需跨域验证、对比真人专家、加引文溯源、支持边权获取及费用预估功能。

结论（翻译研究结论部分）

研究人员提出了一种新颖的概念验证流程，利用大语言模型(LLM)在贝叶斯图形模型(BGM)框架内获取网络结构先验(Prior on Network Structure)：将LLM对变量对的条件关联判据转化为伯努利结构先验(Bernoulli Structure Prior)的边包含概率，进而映射至贝塔–伯努利先验(Beta–Bernoulli Prior)超参数与随机块模型(SBM)先验期望聚类数λ，并提供R包 bgmElicit 与Shiny应用实现之。对创伤后应激障碍(PTSD)症状网络子集的验证显示，GPT?5配合五次排列在多数条件下取得最低Brier Score，GPT?4?turbo(配上下文与默认系统提示)与GPT?5?mini为较经济替代。实证例表明获取先验可适度重新分配边证据但不改变最强与最稳边结构。研究人员强调此LLM辅助获取仅作为专家判断与系统综述之补充而非替代，推荐预注册、广泛先验敏感性分析及与领域证据三角互证后谨慎使用。本工作为BGM中结构先验获取提供了初步可行途径，需在更广泛背景下进一步拓展验证。