多用戶參與的可解釋群決策交互模式及設計

摘 要：現代人類的決策活動更多地從個人決策過渡到群決策。從工業設計和交互設計出發，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、交互設計和多用戶參與進行分析，探討多用戶參與的可解釋交互群決策模式的研究內容和表示結構，指出其關鍵技術和研究方法。以輔助群體出游計劃安排的應用原型設計為例，探究群體出游人群的表示結構、群決策邏輯與可解釋交互設計，為群體決策場景服務的知識體系建立和快速設計提供新的研究思路。

關鍵詞：交互設計；群決策；可解釋；多用戶參與

中圖分類號：TB47；TH166文獻標志碼：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雜度增加，現代人類的決策活動更多地從個人決策過渡到群決策。伴隨著計算機輔助功能的介入，所涉及的客觀信息量和個體主觀認知進一步交織，直接影響著群決策過程和結果。因此，為群決策場景服務的知識體系構建和快速設計需要新的切入角度，同時從業者需要一個能夠長效拓展群決策輔助交互設計的新思路。

在當今現代人類活動快速發展大環境下，決策者面臨的內部、外部環境日益復雜多變，往往要求綜合多領域的專業知識才能解決問題，很多決策需要集中群體的智慧和優勢才能做出最佳的決策，例如跨領域設計決策、可持續發展決策和重大災難應對決策等。得益于現代決策科學和計算機技術的快速發展，一些算法已經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知中，給決策者理解機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。本文從工業設計和交互設計的角度出發，融合計算機技術、人機交互理念、可視化設計、文化和行為研究等學科知識，提出多用戶參與的可解釋（explainability）群決策交互模式并進行探討。

1 群決策及交互模式

有關群決策（group decision-making，GDM）的研究，學者們從最開始就在關注群決策中和諧、合群、一致性的重要性，包括部分成員在群決策中表達不同意見的影響［1］。一些研究證明，應對群決策中的不一致性，不確定性和爭議性是至關重要的；同時，對群決策有需求的領域廣泛，覆蓋了人們的日常生活決策、工業需要、商業決定等［2］。最早針對群決策的模型包括了多標準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的群決策方案解。

應該強調的是，群決策最需要的是群成員之間的討論、協商和商議，然后將決策的最終權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，為了達到一個共同接受的決策，每一個群決策者都應該在有觀點爭議的情況下表明自己的決策態度［3］。有些時候，某一兩個群決策者由于沒有發表意見，而讓群體錯過了某些至關重要的信息，因而，群決策系統通過交互模式的轉變，調整決策者交互方式，支持信息的協調、控制和可視化，從而達到支持群決策的目的。

群決策中的交互模式設計主要體現在決策者被賦予了多少主動參與到決策過程中的機會。在提高群共識方法中，有兩類交互模式：反饋機制和自動機制。反饋機制允許決策者在后端算法結果的基礎上進行主觀的人工修改；而自動機制則不允許決策者的主動輸入，直接進行自動修改［4］。對于反饋機制，決策者的想法被主動包容進群決策機制中，而此自動機制則可能在參與者不知情的情況下自動循環，脫離了決策者的想法而不自知。在基于信任進行的群決策推薦機制中，學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，給相應的交互設計帶來了新的維度。首先，決策者是否在知識對等的基礎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重要。因此，信息可視化將很好地服務于多參與者信息、知識、觀點的共享。第二，需要考慮構建的群決策網絡結構是集中式或分散式。集中式結構中有一位決策者扮演權力的角色，所有信息、決策、更新都要經過他；而分散式結構需要參與者之間達成更加分散的溝通協議。第三，如何應對少數觀點和不配合的決策行為是群決策中的獨有難題［5］。最后，互聯網帶來的信息技術，會將決策支持系統推向社會化［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展基本模型和后端算法的基礎上，很好地設計前端的交互模式，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和其他參與者掌握。

3 可解釋性交互模式

大量群決策相關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，算法系統對于大多數用戶決策者來說是一個黑匣子，其內部運作邏輯是不公開透明的［7］。由大數據和人工智能驅動的群決策系統在設計和用戶數據上含有偏見，可能是不公正的［8］。同時，人工智能在精確度上表現仍有不足，而作為決策者的人可以為群決策提供高質量的反饋數據。難點在于，如何結合決策者的主觀信息，如何設計決策者與系統的交互模式，提高群決策的過程和結果。

有關群決策及其交互模式的研究應該引入可解釋性（explainability）［9］的理念。可解釋性可以輔助人理解黑匣子挖掘出的隱性信息并理解黑匣子內決定的邏輯，從而進行群決策。目前，關于可解釋性的相關探討多在計算機領域和開發者中展開。然而，可解釋性在智能決策中是公平、責任和可信賴的前提，最終可解釋性影響著人們如何使用、參與和管理群決策。可解釋交互群決策的目的和重要性在于：管理群決策、證明群決策的正當性，從群決策中學習、評估群決策、提高群決策，如圖2所示。因此，構建可解釋性群決策交互模式是一個很大的挑戰，如何設計系統中人機交互模式，如何讓系統準確地識別決策者的意圖且避免引入錯誤和偏見，如何設計整個系統的流程，是當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，關于群決策研究主要集中在計算機科學和經濟與管理科學領域，局限于決策模型和算法的探索開發，缺乏從人機交互和人機認知的角度重新審視群決策。隨著人工智能的快速發展，單向利用決策模型及算法輔助群決策過程開始表現不足，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）。“群”模塊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及人工智能領域的知識獲取、推理、規劃、識別、神經網絡、復雜系統、遺傳等人類思維方式算法；“交互”模塊包括了人和系統的各類交互方法、信息的分層、邏輯和界面設計等；“可解釋”模塊包括了可解釋功能的內容、模式、方法等元素。

4.2 表示結構

群決策中“群”的結構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”人格特征的嚴謹性、外向性、開放性等，表示為

IuP，c={（u，j，cuj）}， j∈Trait（2）

“可解釋”的結構是一個大的集合IF，組成部分為決策者和決策系統兩個元組，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c的信息內容Infu，可以是任何類型的信息內容，包括文字、數據、原引等，表示為

IuF，c={（u，c，Infu）}， c∈Objective（4）

式中“可解釋”的決策系統元組是指決策節點s對某個目標c的信息內容Infs，可以是任何類型的信息內容，表示為

IsF，c={（s，c，Inf s）}， c∈Objective（5）

5 研究方法和關鍵技術

面向多參與者的可解釋交互群決策中，主要涉及到以下關鍵技術和研究方法。

5.1 多決策者的信息提取

所有決策者的相關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，找出能夠代表并區分各決策者特征的最小單元元素信息。提取能夠準確描述決策者的信息是研究交互群決策的關鍵，對于實現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計的重要環節，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知的特征知識。可以通過統計學分析、內容分析、自然語言分析、大數據和人工智能結合等分析方法，建立群決策模型可以識別的關于描述決策者的數據結構，有助于計算機理解分析每個決策者。一方面，為群決策模型給予數據支持；另一方面，通過可解釋交互模式隨時進行自我信息更新。

編碼的數據結構IuP應有利于計算機的儲存、修改和分析，使群決策中的輔助交互功能、輔助決策功能、輔助解釋功能實現無人工鏈接，在保證群決策表現可靠、穩定和最大化最優解的基礎上，提升參與者的群決策交互體驗。

5.3 構建群決策模型

確定群決策模型是設計師針對不同領域和需求的群決策場景選擇適合的群決策機制過程。不同的群決策場景面臨的決策問題不同，服務的群參與者特征也不同。這一環節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，構建群決策機制模型，建立參與者信息與決策之間的映射關系，為探索多用戶參與的可解釋交互群決策奠定基礎。

構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交互模型設計。第二步是建立群決策推理機制，構建決策者編碼和決策結果之間的推理關系。這里的推理可以是各類推薦機制，例如基于內容過濾、協同過濾等方法；也可以是人工智能領域相關的算法，例如神經網絡、遺傳算法、基于本體論的推理等方法。

5.4 確定可解釋方法

可解釋方法的構建是探究可解釋交互群決策中的關鍵。首先，可解釋方法需要能夠為決策者的行為特征、態度想法、和思維模式進行恰當的解釋，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果進行合理的解釋和過程闡述，有助于決策者理解計算機模型的思考邏輯，最終有助于決策者通過整合同伴的需求和計算機的思考邏輯，做出自己的綜合判斷。

設計師可以從4個角度考慮構建可解釋方法（圖4）：局部與全局、可解釋性的目的、可解釋的數據類型、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、以達到模型的透明度為目的，進行可解釋方法的設計。

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上，建立可解釋交互模式是實現可解釋性的關鍵步驟。可解釋信息將被系統地存儲，并使用固定格式的數據結構，能滿足計算機對可解釋內容的任何一個數據進行查詢、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應用設計原型系統為例，主要從群決策的技術生成、應用及可解釋交互模式、界面設計的角度出發，在群決策算法的基礎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。此原型系統是基于Appery.io的手機應用開發平臺。

6.1 群體出游的人群表示結構

在設計多用戶參與的可解釋群決策交互中，設計師通常從參與決策人群的角度出發，明確決策者的哪些個人特征影響著群決策的過程和結果，例如性別、年齡、偏好、風格、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格，例如，自然、文化、名人等。出游人群表示結構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，為群決策邏輯做準備，表示為

GGP=（G，j，pGj），j∈Class，pGj∈［0，100］（7）

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

聚合方法的交互設計將在可解釋交互模式部分進一步介紹。

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建指南，圖5表示了本研究構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格上分別體現了多少；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DGi數值的大小對待選項目排序將得到模型為特定出游群的決策結果。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計主要從三個角度進行了探索。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鍵要素和節點，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為什么給出特定的決策結果（圖6（b））。最后，交互功能支持成員手動調整群出游成員的權重Wu∈［0.5，1.5］，從而得到更看重某些成員偏好的群決策結果（圖6（c）），這里Wu的設定僅用于此案例測試，其范圍可以在不同案例和場景下進行調整。

7 結語

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

2）后續研究工作將進一步挖掘可解釋性的新型表達模式和交互模式，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：

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

［2］ 趙海燕，張友良. 面向產品并行開發過程的群決策支持系統研究［J］. 中國機械工程，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. 深度學習的可解釋性［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. 深度學習可解釋性研究進展［J］. 計算機研究與發展，2020，57（6）：1208-1217.