[论文解读] Assessing the value of a candidate. Comparing belief function and possibility theories
本文比較了在可轉移信任模型中的信任函數理論與可能性理論，用於在不確定性下評估候選者價值，使用質性、有序的評估尺度來衡量標準與專家評估。結果顯示兩套框架均能有效處理模糊且非加性的資訊，其中信任函數提供量化整合，可能性理論則支援質性推理，突顯了在多標準決策中不確定性情境下，其假設與可解釋性之間的權衡。
The problem of assessing the value of a candidate is viewed here as a multiple combination problem. On the one hand a candidate can be evaluated according to different criteria, and on the other hand several experts are supposed to assess the value of candidates according to each criterion. Criteria are not equally important, experts are not equally competent or reliable. Moreover levels of satisfaction of criteria, or levels of confidence are only assumed to take their values in qualitative scales which are just linearly ordered. The problem is discussed within two frameworks, the transferable belief model and the qualitative possibility theory. They respectively offer a quantitative and a qualitative setting for handling the problem, providing thus a way to compare the nature of the underlying assumptions.
研究动机与目标
- 解決當評估標準與專家意見均基於質性、有序尺度時，評估候選者價值之挑戰。
- 比較可轉移信任模型（量化信任函數）與質性可能性理論（序數可能性分配）作為整合不確定、模糊評估之框架。
- 評估每套框架如何處理標準重要性不均、專家信賴度差異與多標準決策中非加性不確定性之問題。
- 釐清信任函數與可能性理論在不確定性決策支援中之基本假設與可解釋性差異。
提出的方法
- 將候選者評估建模為涉及多項標準與多位專家的多重組合問題。
- 使用可轉移信任模型（TBM）來表示與整合專家之信任質量，允許非加性、量化的不確定性整合。
- 應用質性可能性理論來表示與整合跨標準與專家之序數信心水準與滿意度。
- 對標準重要性與專家信賴度均使用序數尺度（線性有序），避免數值假設。
- 利用組合規則（如TBM中的德姆普斯特規則、可能性理論中之最小/最大運算）整合標準權重與專家可信度。
- 針對同一問題個案比較兩套框架之結果，以分析一致性、敏感度與可解釋性。
实验结果
研究问题
- RQ1當使用質性尺度評估候選者價值時，信任函數與可能性理論在不確定性建模上有何差異？
- RQ2在多專家、多標準評估中，使用量化信任函數與質性可能性分配有何影響？
- RQ3標準權重與專家信賴度如何影響各框架之最終評估？
- RQ4各理論之基本假設如何影響評估結果之可解釋性與穩健性？
- RQ5兩套框架在相同質性輸入下是否能產生可比結果？若否，原因為何？
主要发现
- 可轉移信任模型能透過信任函數與德姆普斯特規則，精確地進行專家意見與標準權重之量化整合。
- 可能性理論透過最小/最大運算整合可能性分配，提供強健的質性替代方案，適用於序數尺度。
- 兩套框架均能有效處理非加性不確定性與標準重要性不均之問題，但使用不同之數學機制。
- 信任函數方法因德姆普斯特規則之歸一化而對衝突證據更為敏感，而可能性理論則透過基於最小值之組合避免此問題。
- 在數值精確度較不重要的情境中，可能性理論提供更高的可解釋性，尤其當僅有序數比較可用時。
- 框架之選擇取決於決策者是否偏好量化精確度（TBM）或質性穩健性（可能性理論）於不確定性評估中。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。