面向客观无偏决策评估的 LLM 增强分层注意力网络
计算与语言
2024-11-15 v2 人工智能
摘要
我们在做决策时有多客观、无偏？本文研究人类专家在高风险决策过程中的认知偏差识别，质疑其在现实场景（如大学招生候选人评估）中的有效性。我们首先通过统计分析评估现行流程中不同决策点间的相关性，发现存在差异，暗示决策中存在认知偏差和不一致性。这促使我们探索超越人类判断的偏差感知 AI 增强工作流。我们提出 BGM-HAN，一种融合字节对编码、门控残差连接和多头注意力的增强分层注意力网络。以此为骨干模型，我们进一步提出「筛选-分析-推荐」(SAR) 智能体工作流，模拟现实决策过程。实验表明，所提模型与智能体工作流在真实数据验证下，均显著优于人类判断及替代模型。
引用
@article{arxiv.2411.08504,
title = {Towards Objective and Unbiased Decision Assessments with LLM-Enhanced Hierarchical Attention Networks},
author = {Junhua Liu and Kwan Hui Lim and Roy Ka-Wei Lee},
journal= {arXiv preprint arXiv:2411.08504},
year = {2024}
}
备注
Source code is available at: https://github.com/junhua/bgm-han