摘 要：現(xiàn)代人類的決策活動更多地從個人決策過渡到群決策。從工業(yè)設(shè)計和交互設(shè)計出發(fā)，提出并討論多用戶參與的可解釋交互群決策模式，對群決策如何融合的可解釋性、交互設(shè)計和多用戶參與進(jìn)行分析，探討多用戶參與的可解釋交互群決策模式的研究內(nèi)容和表示結(jié)構(gòu)，指出其關(guān)鍵技術(shù)和研究方法。以輔助群體出游計劃安排的應(yīng)用原型設(shè)計為例，探究群體出游人群的表示結(jié)構(gòu)、群決策邏輯與可解釋交互設(shè)計，為群體決策場景服務(wù)的知識體系建立和快速設(shè)計提供新的研究思路。

關(guān)鍵詞：交互設(shè)計；群決策；可解釋；多用戶參與

中圖分類號：TB47；TH166文獻(xiàn)標(biāo)志碼：B文章編號：1671-5276（2024）03-0015-05

Explainable Group Decision-making Interaction Mode and Design for Multi-participation

Abstract：Decision-making activities among human beings have developed more towards group decision-making. From the perspectives of industrial design and interaction design， this study proposes and discusses a mode of explainable group decision-making interaction for multi-participation， and analyses the approach to combine explainability， interaction design and multi-participation. This paper discusses the research content and representation structure of the mode and introduces its related key technologies and reserch methods. The application prototype design of assisting group travel planning process is given to explore the representation struture of the travel group ， the logic of group decision-making and the design of explainable interaction， which provides us with a novel research idea of knowledge system establishment and and agile design approach for group decision-making scenarios.

Keywords：interaction design; group decision-making; explainability; multi-participation

0 引言

隨著社會活動、信息和面臨問題的復(fù)雜度增加，現(xiàn)代人類的決策活動更多地從個人決策過渡到群決策。伴隨著計算機(jī)輔助功能的介入，所涉及的客觀信息量和個體主觀認(rèn)知進(jìn)一步交織，直接影響著群決策過程和結(jié)果。因此，為群決策場景服務(wù)的知識體系構(gòu)建和快速設(shè)計需要新的切入角度，同時從業(yè)者需要一個能夠長效拓展群決策輔助交互設(shè)計的新思路。

在當(dāng)今現(xiàn)代人類活動快速發(fā)展大環(huán)境下，決策者面臨的內(nèi)部、外部環(huán)境日益復(fù)雜多變，往往要求綜合多領(lǐng)域的專業(yè)知識才能解決問題，很多決策需要集中群體的智慧和優(yōu)勢才能做出最佳的決策，例如跨領(lǐng)域設(shè)計決策、可持續(xù)發(fā)展決策和重大災(zāi)難應(yīng)對決策等。得益于現(xiàn)代決策科學(xué)和計算機(jī)技術(shù)的快速發(fā)展，一些算法已經(jīng)可以輔助人們做出決策。然而，“黑盒子”般存在的算法交織在人類決策者的主觀認(rèn)知中，給決策者理解機(jī)器的邏輯造成了障礙，使得群決策者相互不了解，難以很好地輔助群決策過程。本文從工業(yè)設(shè)計和交互設(shè)計的角度出發(fā)，融合計算機(jī)技術(shù)、人機(jī)交互理念、可視化設(shè)計、文化和行為研究等學(xué)科知識，提出多用戶參與的可解釋（explainability）群決策交互模式并進(jìn)行探討。

1 群決策及交互模式

有關(guān)群決策（group decision-making，GDM）的研究，學(xué)者們從最開始就在關(guān)注群決策中和諧、合群、一致性的重要性，包括部分成員在群決策中表達(dá)不同意見的影響［1］。一些研究證明，應(yīng)對群決策中的不一致性，不確定性和爭議性是至關(guān)重要的；同時，對群決策有需求的領(lǐng)域廣泛，覆蓋了人們的日常生活決策、工業(yè)需要、商業(yè)決定等［2］。最早針對群決策的模型包括了多標(biāo)準(zhǔn)決策方法與其延伸和拓展版本，這些模型旨在評估一個相對最優(yōu)的群決策方案解。

應(yīng)該強(qiáng)調(diào)的是，群決策最需要的是群成員之間的討論、協(xié)商和商議，然后將決策的最終權(quán)力交還給人而不是簡單地依賴模型或算法，如圖1所示（用于與本文提出的決策模型形成對比）。因此，從交互的角度來看，為了達(dá)到一個共同接受的決策，每一個群決策者都應(yīng)該在有觀點爭議的情況下表明自己的決策態(tài)度［3］。有些時候，某一兩個群決策者由于沒有發(fā)表意見，而讓群體錯過了某些至關(guān)重要的信息，因而，群決策系統(tǒng)通過交互模式的轉(zhuǎn)變，調(diào)整決策者交互方式，支持信息的協(xié)調(diào)、控制和可視化，從而達(dá)到支持群決策的目的。

群決策中的交互模式設(shè)計主要體現(xiàn)在決策者被賦予了多少主動參與到?jīng)Q策過程中的機(jī)會。在提高群共識方法中，有兩類交互模式：反饋機(jī)制和自動機(jī)制。反饋機(jī)制允許決策者在后端算法結(jié)果的基礎(chǔ)上進(jìn)行主觀的人工修改；而自動機(jī)制則不允許決策者的主動輸入，直接進(jìn)行自動修改［4］。對于反饋機(jī)制，決策者的想法被主動包容進(jìn)群決策機(jī)制中，而此自動機(jī)制則可能在參與者不知情的情況下自動循環(huán)，脫離了決策者的想法而不自知。在基于信任進(jìn)行的群決策推薦機(jī)制中，學(xué)者們嘗試找到更好的定義來描述主觀信任的方法并與客觀信任融合，共同使用。因此，群決策不僅僅是后端的算法決定的，還包括了人的主觀因素和人與系統(tǒng)交互的因素。本文試圖從支持多用戶參與的角度，研究一個具有可解釋性的交互群決策模式。

2 多用戶參與決策的交互新維度

多用戶參與決策，作為群決策的最大特征，給相應(yīng)的交互設(shè)計帶來了新的維度。首先，決策者是否在知識對等的基礎(chǔ)上提出自己的決策觀點，也就是說，信息在決策者之間的分布至關(guān)重要。因此，信息可視化將很好地服務(wù)于多參與者信息、知識、觀點的共享。第二，需要考慮構(gòu)建的群決策網(wǎng)絡(luò)結(jié)構(gòu)是集中式或分散式。集中式結(jié)構(gòu)中有一位決策者扮演權(quán)力的角色，所有信息、決策、更新都要經(jīng)過他；而分散式結(jié)構(gòu)需要參與者之間達(dá)成更加分散的溝通協(xié)議。第三，如何應(yīng)對少數(shù)觀點和不配合的決策行為是群決策中的獨有難題［5］。最后，互聯(lián)網(wǎng)帶來的信息技術(shù)，會將決策支持系統(tǒng)推向社會化［6］。這意味著，決策過程可以同時邀請不同文化地域背景的決策者，參與到復(fù)雜的問題決策過程中。

因此，多用戶參與的群決策交互需要在發(fā)展基本模型和后端算法的基礎(chǔ)上，很好地設(shè)計前端的交互模式，支持決策者的主動和主觀信息輸入。在設(shè)計與后端相匹配的前端交互功能同時，融合支持多用戶參與決策的新維度，讓決策者的觀點和行為被系統(tǒng)和其他參與者掌握。

3 可解釋性交互模式

大量群決策相關(guān)研究集中在提出更加精確的后端決策模型和人工智能算法。然而，算法系統(tǒng)對于大多數(shù)用戶決策者來說是一個黑匣子，其內(nèi)部運作邏輯是不公開透明的［7］。由大數(shù)據(jù)和人工智能驅(qū)動的群決策系統(tǒng)在設(shè)計和用戶數(shù)據(jù)上含有偏見，可能是不公正的［8］。同時，人工智能在精確度上表現(xiàn)仍有不足，而作為決策者的人可以為群決策提供高質(zhì)量的反饋數(shù)據(jù)。難點在于，如何結(jié)合決策者的主觀信息，如何設(shè)計決策者與系統(tǒng)的交互模式，提高群決策的過程和結(jié)果。

有關(guān)群決策及其交互模式的研究應(yīng)該引入可解釋性（explainability）［9］的理念?？山忉屝钥梢暂o助人理解黑匣子挖掘出的隱性信息并理解黑匣子內(nèi)決定的邏輯，從而進(jìn)行群決策。目前，關(guān)于可解釋性的相關(guān)探討多在計算機(jī)領(lǐng)域和開發(fā)者中展開。然而，可解釋性在智能決策中是公平、責(zé)任和可信賴的前提，最終可解釋性影響著人們?nèi)绾问褂?、參與和管理群決策?？山忉尳换ト簺Q策的目的和重要性在于：管理群決策、證明群決策的正當(dāng)性，從群決策中學(xué)習(xí)、評估群決策、提高群決策，如圖2所示。因此，構(gòu)建可解釋性群決策交互模式是一個很大的挑戰(zhàn)，如何設(shè)計系統(tǒng)中人機(jī)交互模式，如何讓系統(tǒng)準(zhǔn)確地識別決策者的意圖且避免引入錯誤和偏見，如何設(shè)計整個系統(tǒng)的流程，是當(dāng)前研究的重點和難點。

4 多用戶參與的可解釋交互群決策模式

4.1 知識體系

目前，關(guān)于群決策研究主要集中在計算機(jī)科學(xué)和經(jīng)濟(jì)與管理科學(xué)領(lǐng)域，局限于決策模型和算法的探索開發(fā)，缺乏從人機(jī)交互和人機(jī)認(rèn)知的角度重新審視群決策。隨著人工智能的快速發(fā)展，單向利用決策模型及算法輔助群決策過程開始表現(xiàn)不足，因此研究必須向多用戶參與的可解釋交互群決策方向延伸。

本文提出的可解釋交互群決策模式在已有模塊（圖1）的基礎(chǔ)上，通過搭建“可解釋”模塊，提高決策模型和算法的可解讀性，最終起到了鏈接“群”、“決策”和“交互”模塊，將群決策過程形成了回路（圖3）?！叭骸蹦K中包括了決策參與者的個人信息和場景信息；“決策”模塊中包含了計算機(jī)及人工智能領(lǐng)域的知識獲取、推理、規(guī)劃、識別、神經(jīng)網(wǎng)絡(luò)、復(fù)雜系統(tǒng)、遺傳等人類思維方式算法；“交互”模塊包括了人和系統(tǒng)的各類交互方法、信息的分層、邏輯和界面設(shè)計等；“可解釋”模塊包括了可解釋功能的內(nèi)容、模式、方法等元素。

4.2 表示結(jié)構(gòu)

群決策中“群”的結(jié)構(gòu)由每一個單獨的個體組成，用IuP表示一個決策者u所自帶的個人特征的集合。集合中包含偏好、行為、人口、性格和場景特征等，表示為

IuP={IuP，p，IuP，b，IuP，d，IuP，c，…，IuP，con}（1）

式中以“群”的性格特征為例，IuP，c是一個元組，表示一個決策者u所對指定性格類別j的擁有程度puj。Trait涵蓋例如“大五”人格特征的嚴(yán)謹(jǐn)性、外向性、開放性等，表示為

IuP，c={（u，j，cuj）}， j∈Trait（2）

“可解釋”的結(jié)構(gòu)是一個大的集合IF，組成部分為決策者和決策系統(tǒng)兩個元組，表示為

IF={IuF，c，IsF，c}（3）

式中以“可解釋”的決策者元組為例，IuF，c是一個元組，代表決策者u對某個目標(biāo)c的信息內(nèi)容Infu，可以是任何類型的信息內(nèi)容，包括文字、數(shù)據(jù)、原引等，表示為

IuF，c={（u，c，Infu）}， c∈Objective（4）

式中“可解釋”的決策系統(tǒng)元組是指決策節(jié)點s對某個目標(biāo)c的信息內(nèi)容Infs，可以是任何類型的信息內(nèi)容，表示為

IsF，c={（s，c，Inf s）}， c∈Objective（5）

5 研究方法和關(guān)鍵技術(shù)

面向多參與者的可解釋交互群決策中，主要涉及到以下關(guān)鍵技術(shù)和研究方法。

5.1 多決策者的信息提取

所有決策者的相關(guān)信息提取是支持可解釋交互群決策的第一步。為了盡可能地做到全方位描述參與者，信息提取應(yīng)包含參與者的顯性和隱性信息。從實際的角度，找出能夠代表并區(qū)分各決策者特征的最小單元元素信息。提取能夠準(zhǔn)確描述決策者的信息是研究交互群決策的關(guān)鍵，對于實現(xiàn)可解釋交互群決策具有重要意義。

5.2 多決策者的信息解義編碼

所有決策者的信息編碼是群決策設(shè)計的重要環(huán)節(jié)，主要將提取到的參與者顯性和隱性特征信息編譯為符合群決策認(rèn)知的特征知識?？梢酝ㄟ^統(tǒng)計學(xué)分析、內(nèi)容分析、自然語言分析、大數(shù)據(jù)和人工智能結(jié)合等分析方法，建立群決策模型可以識別的關(guān)于描述決策者的數(shù)據(jù)結(jié)構(gòu)，有助于計算機(jī)理解分析每個決策者。一方面，為群決策模型給予數(shù)據(jù)支持；另一方面，通過可解釋交互模式隨時進(jìn)行自我信息更新。

編碼的數(shù)據(jù)結(jié)構(gòu)IuP應(yīng)有利于計算機(jī)的儲存、修改和分析，使群決策中的輔助交互功能、輔助決策功能、輔助解釋功能實現(xiàn)無人工鏈接，在保證群決策表現(xiàn)可靠、穩(wěn)定和最大化最優(yōu)解的基礎(chǔ)上，提升參與者的群決策交互體驗。

5.3 構(gòu)建群決策模型

確定群決策模型是設(shè)計師針對不同領(lǐng)域和需求的群決策場景選擇適合的群決策機(jī)制過程。不同的群決策場景面臨的決策問題不同，服務(wù)的群參與者特征也不同。這一環(huán)節(jié)主要研究在特定群決策場景下，面向特定群決策需求，基于特定決策者的信息，構(gòu)建群決策機(jī)制模型，建立參與者信息與決策之間的映射關(guān)系，為探索多用戶參與的可解釋交互群決策奠定基礎(chǔ)。

構(gòu)建群決策模型主要包括兩步。第一步是聚合群參與者的信息編碼并提取離群值，由于群參與者的信息編碼是單獨儲存的，因此需要群決策模型首先對單獨的信息進(jìn)行聚合，得到群信息編碼。但同時，模型不希望丟失具有特殊特征的參與者編碼，因此需要提取離群值用于后續(xù)交互模型設(shè)計。第二步是建立群決策推理機(jī)制，構(gòu)建決策者編碼和決策結(jié)果之間的推理關(guān)系。這里的推理可以是各類推薦機(jī)制，例如基于內(nèi)容過濾、協(xié)同過濾等方法；也可以是人工智能領(lǐng)域相關(guān)的算法，例如神經(jīng)網(wǎng)絡(luò)、遺傳算法、基于本體論的推理等方法。

5.4 確定可解釋方法

可解釋方法的構(gòu)建是探究可解釋交互群決策中的關(guān)鍵。首先，可解釋方法需要能夠為決策者的行為特征、態(tài)度想法、和思維模式進(jìn)行恰當(dāng)?shù)慕忉?，讓決策者之間更多地互相了解對方；另一部分，可解釋方法需要能夠為群決策模型得出的結(jié)果進(jìn)行合理的解釋和過程闡述，有助于決策者理解計算機(jī)模型的思考邏輯，最終有助于決策者通過整合同伴的需求和計算機(jī)的思考邏輯，做出自己的綜合判斷。

設(shè)計師可以從4個角度考慮構(gòu)建可解釋方法（圖4）：局部與全局、可解釋性的目的、可解釋的數(shù)據(jù)類型、針對特定模型與通用所有模型。例如，可以采取針對文字信息、提供局部功能解釋、為單一群決策模型、以達(dá)到模型的透明度為目的，進(jìn)行可解釋方法的設(shè)計。

5.5 建立可解釋交互模式

在確定可解釋功能和方法的基礎(chǔ)上，建立可解釋交互模式是實現(xiàn)可解釋性的關(guān)鍵步驟?？山忉屝畔⒈幌到y(tǒng)地存儲，并使用固定格式的數(shù)據(jù)結(jié)構(gòu)，能滿足計算機(jī)對可解釋內(nèi)容的任何一個數(shù)據(jù)進(jìn)行查詢、刪除、修改等操作。最終，通過選擇適合的交互方法，例如短觸、長按、查閱、點贊、留言等，建立可解釋交互模式，在為決策者提供解釋的基礎(chǔ)上，隨時更新決策者的信息。

6 實例說明

本文以一個輔助群體出游計劃安排的手機(jī)應(yīng)用設(shè)計原型系統(tǒng)為例，主要從群決策的技術(shù)生成、應(yīng)用及可解釋交互模式、界面設(shè)計的角度出發(fā)，在群決策算法的基礎(chǔ)上融入可解釋交互理念，從而得以更好地支持群體出游決策過程。此原型系統(tǒng)是基于Appery.io的手機(jī)應(yīng)用開發(fā)平臺。

6.1 群體出游的人群表示結(jié)構(gòu)

在設(shè)計多用戶參與的可解釋群決策交互中，設(shè)計師通常從參與決策人群的角度出發(fā)，明確決策者的哪些個人特征影響著群決策的過程和結(jié)果，例如性別、年齡、偏好、風(fēng)格、性格等。本研究中，基于出游人群的個人旅游偏好特征建立群資料庫，由直接詢問的方式獲得，出游者u所對給定類別的旅游風(fēng)格j的偏好程度puj形成一個偏好元組IuP，p，表示為

IuP，p={（u，j，puj）}，j∈Class，puj∈［0，100］（6）

式中：Class表示涵蓋的各類旅游風(fēng)格，例如，自然、文化、名人等。出游人群表示結(jié)構(gòu)的確定可以很好地描述群決策所需的特征信息。下一步需要將出游人群中個人的特征信息整合為一個聚合群特征信息，為群決策邏輯做準(zhǔn)備，表示為

GGP=（G，j，pGj），j∈Class，pGj∈［0，100］（7）

本研究中起始采用基礎(chǔ)的聚合方法，取所有人的偏好平均值，根據(jù)不同的權(quán)重Wu∈0.5，1.5形成聚合后的群資料庫，表示為

聚合方法的交互設(shè)計將在可解釋交互模式部分進(jìn)一步介紹。

6.2 群體出游的群決策邏輯

本研究中采用的群決策邏輯是基于知識本體論的推理模型。首先，需要建立一個關(guān)于出游目的地的知識圖譜模型，包含推理所需的目的地基本信息，基于Noy提出的知識本體論構(gòu)建指南，圖5表示了本研究構(gòu)建以南京為例的旅游目的地的知識圖譜。

圖5中：Class表示涵蓋的各類旅游風(fēng)格；Instance表示本體論中的待選項目；Relationship表示待選項目在各類的旅游風(fēng)格上分別體現(xiàn)了多少；Score表示了待選項目的受歡迎程度。這些信息都直接有助于群決策的形成。

其次，需要構(gòu)建一個群決策推理模型，完成基于知識圖譜的出游群推薦，基本邏輯是基于群資料庫GGP的信息，結(jié)合圖5的知識圖譜，得到每個待選項目i的推薦程度DGi。重新根據(jù)DGi數(shù)值的大小對待選項目排序?qū)⒌玫侥Ｐ蜑樘囟ǔ鲇稳旱臎Q策結(jié)果。DGi的計算表示為

6.3 群體出游的可解釋交互模式

本研究中針對群體出游的可解釋交互設(shè)計主要從三個角度進(jìn)行了探索。首先，可解釋功能支持群決策者瀏覽其他參與者的出游偏好，有助于出游群成員相互了解（圖6（a））。其次，可解釋功能支持群決策模型做出某一決策的關(guān)鍵要素和節(jié)點，將原先不透明的決策算法過程可視化，一定程度上有助于出游群成員了解系統(tǒng)為什么給出特定的決策結(jié)果（圖6（b））。最后，交互功能支持成員手動調(diào)整群出游成員的權(quán)重Wu∈［0.5，1.5］，從而得到更看重某些成員偏好的群決策結(jié)果（圖6（c）），這里Wu的設(shè)定僅用于此案例測試，其范圍可以在不同案例和場景下進(jìn)行調(diào)整。

7 結(jié)語

1）本文從工業(yè)設(shè)計和交互設(shè)計的角度出發(fā)，針對群決策過程，試圖融合計算機(jī)技術(shù)、人機(jī)交互理論、可視化設(shè)計、心理學(xué)、文化和行為研究等學(xué)科知識，對多用戶參與的可解釋群決策交互模式進(jìn)行了探討，為群體決策場景服務(wù)的快速設(shè)計和知識體系建立提供了新的研究思路，也為從業(yè)者長效且可持續(xù)拓展群決策交互設(shè)計提供了新的設(shè)計思路。

2）后續(xù)研究工作將進(jìn)一步挖掘可解釋性的新型表達(dá)模式和交互模式，提高可解釋群決策的合理性、適用性、魯棒性和有效性。

參考文獻(xiàn)：

［1］ TORRANCE E P. Group decision-making and disagreement［J］. Social Forces，1957，35（4）：314-318.

［2］ 趙海燕，張友良. 面向產(chǎn)品并行開發(fā)過程的群決策支持系統(tǒng)研究［J］. 中國機(jī)械工程，2000，11（12）：1376-1379.

［3］ PREZ I J，CABRERIZO F J，ALONSO S，et al. On dynamic consensus processes in group decision making problems［J］. Information Sciences，2018，459：20-35.

［4］ WU Z B，XU J P. Managing consistency and consensus in group decision making with hesitant fuzzy linguistic preference relations［J］. Omega，2016，65：28-40.

［5］ DEMIRKAN H，DELEN D. Leveraging the capabilities of service-oriented decision support systems：putting analytics and big data in cloud［J］. Decision Support Systems，2013，55（1）：412-421.

［6］ UREA R，KOU G，DONG Y C，et al. A review on trust propagation and opinion dynamics in social networks and group decision making frameworks［J］. Information Sciences，2019，478：461-475.

［7］ 吳飛，廖彬兵，韓亞洪. 深度學(xué)習(xí)的可解釋性［J］. 航空兵器，2019，26（1）：39-46.

［8］ TUFEKCI Z. Algorithmic harms beyond facebook and google： emergent challenges of computational agency［J］. Journal on Telecommunications and High Technology Law， 2015，13：203.

［9］ 成科揚，王寧，師文喜，等. 深度學(xué)習(xí)可解釋性研究進(jìn)展［J］. 計算機(jī)研究與發(fā)展，2020，57（6）：1208-1217.