HERO：一种混合专家-关系本体框架，用于在社会技术系统的风险管理工作中进行稳健的决策制定

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：HERO: A Hybrid Expert-Relational Ontology Framework for Robust Decision-Making in the Risk Management of Socio-Technical Systems

　　卡姆兰·戈拉米扎德 | 汉斯·J·帕斯曼
魁北克大学高等技术学院系统工程系，蒙特利尔，加拿大

摘要
社会技术系统受到由技术、人类和组织因素相互依赖所驱动的级联风险的影响。在时间压力和数据稀缺的情况下，传统的风险评估和静态妥协寻找多标准决策方法（MCDM）在确定例如风险降低选项的决策优先级时，往往无法捕捉到反馈循环、隐藏的相关性以及专家判断的多样性。本研究开发了一种混合专家-关系本体（HERO）决策支持框架，用于优先处理危险材料设施中的事件风险因素并设计缓解措施组合。HERO 采用三阶段工作流程，其中应用了数据科学方法。第一阶段进行多变量专家意见征集，并使用香农、雷尼和塔利斯度量方法对专家在年龄、经验、教育背景、相关性和地位等方面的可信度进行熵规范化加权，同时借助基于量子布尔运算（QUBO）的优化和专家相似性/一致性检查。第二阶段识别影响因子和标准参数，构建有向依赖图，通过 PageRank 推导因子权重，并应用二次拉普拉斯正则化（QIME-DGW）。第三阶段建立因子与标准之间的矩阵，利用持久同调理论和贝蒂数提取标准空间的拓扑结构，应用降维和聚类技术量化一致性和交互强度，并通过多元宇宙模拟传播不确定性，以评估在不同假设下的系统鲁棒性并制定干预策略。一个氢基础设施应急响应的案例研究展示了该框架的实用性。由于无法通过观察进行验证，HERO 通过与传统 MCDM 方法进行基准比较；而在重采样和多元宇宙扰动下的稳定性分析表明，其排名结果保持了一致性。氢设施危险案例的结果表明，该框架能够有效地处理25位专家对72个风险因素的评估。

引言
风险管理，包括涉及危险材料的过程的管理，需要对各种选择进行决策。为了选择预防或缓解措施、检查和维护的优先级或其他行动，在给定一组标准的情况下，通常需要采用多标准决策方法（MCDM）来找到最佳折中方案。其结果是确定重要性或优先级的排名。由于缺乏客观数据，通常需要依赖专家意见征集。已经发布了众多 MCDM 方法，每种方法都声称比旧的方法更好。然而，由于无法对结果进行客观验证，因此对一种方法相对于另一种方法的质量评估基于其目标以及整合结果的各种底层方法的能力。本研究再次利用了改进的组合方法，其中一些方法来自数据科学领域的常规程序，从而形成了新的解决方案。

过程风险管理涉及判断已识别的风险是否可接受，或者需要采取哪些风险降低措施来达到足够低的 Risk 级别[[1], [2], [3]]。当前的过程工业由社会技术系统组成，这些系统集成了技术基础设施、组织流程和人类行为[[4]]。在这些系统中，运营决策很少遵循简单的因果链；相反，结果源于多种影响风险的因素，如技术层、程序和人类判断之间的交互[[5,6]]。专家估计不仅在可能的情况下很重要（例如在缺乏概率数据的情况下），而且在本文中，正如许多 MCDM 方法所强调的，它们是决策支持过程中标准重要性排序和选项偏好的来源[[7], [8], [9], [10]]。因此，即使是看似微小的技术故障，如果与感知错误、信息模糊性和沟通差距结合在一起，也可能迅速演变为不可预测的危机[[11]]。工业经验表明，功能丧失事件通常不是由单一错误引起的，而是由一系列延迟、误解和程序不一致性的巧合叠加造成的。然而，线性模型无法充分捕捉这种情况[[12]]。在这种情况下，依赖于将危险因素视为独立和孤立的静态风险评估方法难以体现社会技术系统的真正复杂性[[13], [14], [15]]。因此，迫切需要能够同时建模技术和人类因素的框架，同时考虑决策过程结构动态的复杂性[[16]]。在需要在时间压力、高不确定性和资源限制下进行决策的环境中，这一点尤为重要，这使得开发先进的决策支持方法成为必要，例如在 [17] 中所述。在这些方法中，由于缺乏数据，必须依赖专家判断。

尽管近几十年来出现了许多安全分析工具，但社会技术系统的风险管理仍面临上述基本挑战[[18]]。这些系统中的损失事件通常不遵循线性或简化的演变路径[[17],[19],[20],[21]]；相反，它们通过技术[[22,23]]、人类[[24,25]]和组织[[26]]交互的链式传播。例如，异常检测中的小延迟可能会影响操作人员的判断、他们对情况的解释以及各单元之间的协调，从而逐渐削弱有效干预的机会[[27,28]]。此外，影响人类表现的因素，如疲劳[[29,30]]、认知负荷和程序模糊性，会不断演变，并且不能被简单地表示为固定系数[[31]]。虽然常用方法在构建知识和对因素重要性进行排名方面很有价值，但在面对时间依赖性、隐藏的相关性和因素间的相互反馈时存在局限性[[32,33]]。实际上，关于罕见但后果严重事件的实证数据稀缺，给模型校准带来了显著的不确定性[[34],[35],[36],[37]]。

对安全和风险工程专业文献的回顾显示，尽管在定量和定性方法方面取得了显著进展，但在分析社会技术系统方面仍存在几个关键空白。首先，许多已发表的工作主要集中在相对静态的结构或经典模型上[[38]]，对精确描述相互因果关系[[39]]、反馈循环[[40]]以及技术、人类和组织因素之间的网络结构[[41]]的关注较少。其次，尽管提出了基于系统的方法，如系统理论过程分析（STPA）[[118]]和更复杂的根本原因分析，但它们与现代定量工具（如图论[[42]]和拓扑数据分析[[43]]）的整合很少在统一的决策支持框架中实现。

如前所述，由于风险评估中无法可靠地建模的复杂性，许多关键安全决策仍然依赖于专家判断和隐性经验，尽管现有工具缺乏足够的结构化和系统利用这些判断的能力[[44]]。这意味着，如果适当处理专家的偏好判断，他们在决策过程中的作用是无可替代的。在许多研究中，相关专家知识中的不确定性和异质性以及群体专家判断中的个体偏好被简化线性处理，而没有充分建模由分歧、依赖性和不同背景知识所产生的概率结构[[45],[46],[47]]。这种情况导致现实社会技术复杂性的许多方面，特别是在时间压力大、风险高的决策条件下，未能在现有模型中得到体现。即使是最优秀的妥协寻找决策模型也无法摆脱这些缺陷。因此，仍然需要能够系统地校准专家知识并以网络化、动态形式表示因素间关系的框架。

鉴于这些空白，本研究专注于开发和应用一种名为 HERO（混合专家-关系本体）的新决策框架，用于社会技术系统的风险分析和管理。HERO 的主要目标是在一个涵盖系统技术和人类组织维度的关系结构中，系统地收集、权重整合来自跨学科专家小组的判断。第一步，HERO 使用多变量加权方案，考虑专家的属性（如经验背景、教育背景和职业地位），以透明且可复现的方式确定不同观点的相对影响。然后，这些校准后的判断被用来对根据重要性优先排序的一组技术相关和人类相关的风险影响因素进行加权。随后，这些风险因素在一个关系本体和网络结构中表示，以揭示它们之间的联系、关键节点和潜在的级联路径。因此，HERO 不仅提供关键风险因素的排名列表，还能够识别可以增强整体稳定性和韧性的系统控制点或杠杆点。本文中的“干预”指的是通过各种组织和技术措施来避免和减少风险的设计和运营活动。最终，该框架的输出包括一组优先级的干预策略和指标，用于评估系统内的决策一致性和有效性。

“本体”一词在此处采用其基本含义，即事物的本质，并以实用、面向决策的方式表示风险影响因素领域的结构化表示。这形成了一个关系层，用于表示方向性影响链接，以便进行依赖性感知的加权和危险干预设计。这里的本体并不是指信息科学意义上的正式知识表示形式（例如具有完整公理化和详尽领域语义的 OWL/RDF 模型）。其目的是在数据稀缺的情况下提供操作可追溯性的风险管理工作支持，而不是一个全面的机器可解释的知识库。

HERO 的新颖之处不在于引入另一种贝叶斯网络或单独的 MCDM 排名变体。相反，HERO 贡献了一个统一的决策支持工作流程，在该流程中每个组件都扮演着明确的认知角色。第一阶段产生经过可信度校准的专家证据，从而减少了专家意见不一致时统一聚合的脆弱性。第二阶段将这些判断证据转化为考虑交互作用的因子重要性。它将专家评分与因果/关系图结合，以便表示间接影响和杠杆点，而不仅仅是局部严重性。第三阶段在不确定性下进行因子与标准评分后的拓扑感知干预组合选择。它超越了单一因素排名，实现了在多种假设下的稳健干预设计策略。这种划分定义了 HERO 在文献中的地位，作为一个工作流程层面的方法论贡献，同时在概念和计算上都有所贡献。

复杂的社会技术风险决策越来越多地在两个同时存在的约束下进行：(i) 有限的或碎片化的实证证据；(ii) 技术、人类和组织因素之间的强相互依赖性，这削弱了纯粹的加性排名逻辑。在这种情况下，本文并没有提出一个新的独立的社会技术风险理论，而是提供了一个明确界定且可测试的决策分析工作流程，用于将专家知识结构化为透明、可复现和能够感知不确定性的优先排序和危险干预设计过程。因此，该框架旨在作为一种实用的科学工具，在数据稀缺的情况下进行判断结构化，具有明确的假设、参数化和评估，而不是声称对所有可能的建模范式具有普遍优势或替代高保真度、数据丰富的因果推断。

为了实现其目标，本研究围绕几个核心研究问题展开。(1) 使用雷尼/塔利斯/香农多级熵规范化加权方法，考虑年龄、经验、教育背景、领域相关性和地位等因素，是否比统一的专家聚合产生更可靠的汇总判断？(2) QIME-DGW（受量子启发的多级熵-有向图加权）是否能够结合熵规范化的风险因素关系专家判断证据[[48]]、Page & Brin 的 PageRank 算法中心性[[49]]以及受量子计算启发的 QUBO（二次无约束二进制优化）[[50]]，生成比传统评分方法更能识别系统杠杆点的上下文感知概率参数权重？(3) 该模型对多维风险因素-决策标准矩阵值的持久同调聚类，结合应用于多元宇宙（即多个可能情景）的引力神经网络（GNN）[[51]]和多目标强化学习（MORL）[[52]]，是否能够产生更优的干预组合？这种方法是否也能在系统一致性指数指标值和政策模拟器中产生更好的结果，例如在不确定性扰动下的鲁棒性得分方面，优于传统的 MCDM 方法[[35]]？在回答这些问题时，该研究提出了一种主要的方法论贡献（一种集成的、三阶段的决策分析工作流程），并得到了以下次要贡献的支持：

1. 主要方法论贡献：一种端到端的、三阶段的决策分析工作流程，该流程结合了经过可信度校准的专家证据、考虑依赖性的因果权重评估，以及在数据稀缺情况下基于拓扑结构和多元宇宙理论的稳健干预组合设计。

2. 专家校准贡献：采用多变量、熵标准化的专家可信度评分方法（Shannon/Rényi/Tsallis），评估五个可信度维度，包括相似性/一致性诊断，并利用QUBO进行优化。

3. 关联性权重贡献：基于量子理论的多层次熵定向图权重评估（QIME-DGW），原则上可以实现贝叶斯网络结构、基于PageRank的影响力分析，以及用于考虑交互作用的二次拉普拉斯正则化。

4. 决策几何学贡献：利用持久同调（Betti数）对因子-标准空间进行拓扑感知的表征，并结合降维和聚类来量化一致性和交互强度。

5. 稳健性和策略贡献：通过多元宇宙不确定性传播和稳健性评估（top-k保持）来制定能够抵御不确定性的干预策略，这些评估得到了基于重采样的稳定性指标和与传统MCDM方法对比的基准测试的支持。

需要强调的是，本文的主要目的是展示如何通过最佳协调专家判断来对系统中大量风险因素的重要性进行排序，从而制定危害干预策略，进而实现风险管理。为此，图结构、风险影响因素的识别和权重确定非常重要。实际上，在所选案例中，专家被要求识别并考虑由于材料（此处为氢气）的危害特性而可能加剧的风险潜在性的重要性排序。这些风险潜在性被称为风险因素，它们之间的关系以因果图的形式表示出来。下一步可能是，通过询问专家根据他们的经验和见解来估计事件频率和可能后果的影响，为特定工厂系统构建一个代表贝叶斯网络的因果图。在这种情况下，将进行全面的风险评估，从而能够估算整体风险水平，并根据例如UK ALARP标准[153]添加可接受或可容忍的风险降低措施。因此，是否仅需要风险权重评估还是需要进行风险量化，取决于具体情境。

**文献综述**
进行了全面的文献综述，以识别与安全关键领域中基于结果和可能性的混合专家-关联风险排序相关的方法论，例如[53]。因此，选择了最相关的研究，涵盖了专家咨询、MCDM混合模型、共识模型（例如关于成本的模型）和动态贝叶斯方法，并根据表1所示的关键维度进行了基准测试。早期的基础工作，如Otway和von等人的研究奠定了基础。

**HERO的介绍**
对于给定的案例，HERO分析首先需要召集足够数量的专家，在本例中是一个由25人组成的小组。专家们将定义决策标准并识别过程操作中的风险影响因素。这两者都应根据其重要性进行排序。该示例案例针对的是含有氢气的基础设施，目的是为了管理紧急事件风险，因为涉及的高度危险性。HERO模型被构建为一个三阶段的工作流程。

**基于熵的专家校准和可靠性评估**
表5报告了从离散化的专家评分分布中计算出的Rényi（α=2）、Tsallis（q=1.5）和Shannon熵值。较低的熵值表示评分模式更为集中（更明确），而较高的熵值表示判断更加分散。这些熵度量在第一阶段被用来得出考虑不确定性的专家可信度权重，以确保所有专家的贡献得到体现，同时减少高度分散判断的影响。

**局限性**
尽管在工作流程的假设下产生了稳定的优先级和稳健性指标，但仍需承认几个局限性以保持解释上的平衡。首先，该框架依赖于从25位多学科专家组成的小组中获取结构化的专家咨询意见。这个小组在年龄、经验、教育背景、相关性和地位上各不相同，代表了一个有限的样本，可能无法完全涵盖氢气安全领域的全球观点。

**结论**
本研究开发了HERO框架，以解决社会技术风险分析中的长期挑战，传统MCDM方法往往难以捕捉到高危险行业（如氢气基础设施）中普遍存在的动态相互依赖性、反馈循环和专家判断的不确定性。这一框架的灵感来源于由技术组件、人为因素和组织过程之间的级联交互作用引起的工业事故。

**作者贡献声明**
Kamran Gholamizadeh：撰写——审阅与编辑，撰写——初稿，验证，软件开发，方法论设计，形式化分析，数据 curacy，概念化。
Hans J Pasman：撰写——审阅与编辑，验证，监督，方法论设计，调查，形式化分析，概念化。