□徐選華 周鋆潔

[中南大學(xué) 長沙 410083]

引言

伴隨社交媒體的普及與發(fā)展，網(wǎng)絡(luò)日益成為公眾收集信息、共享信息和參與應(yīng)急管理的重要渠道[1]。研究表明：COVID-19期間，公眾對社交網(wǎng)站的使用量增加了61%[2]。尤其在發(fā)生重大應(yīng)急事件后，公眾作為真正受到事件影響的群體，他們通常會積極地參與到關(guān)注與討論應(yīng)急事件中[3]。微博、知乎、Twitter和Facebook等社交平臺被公眾視為獲取、傳播和交流信息的主要渠道[4]。在網(wǎng)絡(luò)上的個體將主動使用各種便捷手段和有效渠道來獲取他們所關(guān)注的信息，擴(kuò)大自身的信息擁有量，以減少對正在發(fā)生事情的模糊性、迷惘性和不確定性。同時，“完善應(yīng)急管理體系構(gòu)建”“健全共建共治共享的社會治理制度”在二十大報告中被提及，構(gòu)建并規(guī)范應(yīng)急運作管理對于健全國家現(xiàn)代化應(yīng)急管理體系具有重要意義[5]。針對突發(fā)事件的復(fù)雜性、風(fēng)險性和社交媒體的開放性，由于緊急情形的不確定性會給集體帶去壓力，群體規(guī)模擴(kuò)大下的協(xié)同群智決策已引起廣泛討論[6～8]，通常定義不少于20位決策者的群體即為大規(guī)模群體[9～10]。公眾參與決策過程這一視角逐漸成為應(yīng)急決策領(lǐng)域的研究熱點[11]。引導(dǎo)公眾參與突發(fā)事件的討論與決策對應(yīng)急管理部門有著重要作用，這將有利于消散網(wǎng)絡(luò)中充斥的焦慮氛圍并基于公眾智慧減少決策實施阻力與降低潛在風(fēng)險[12]。然而，現(xiàn)有的涉及公眾參與決策的視角多是基于NLP和SNA研究公眾在社交媒體上發(fā)布的內(nèi)容信息和行為數(shù)據(jù)[9,13]，分析公眾在社交平臺的信息固然重要，但更需要關(guān)注公眾依據(jù)現(xiàn)有信息對決策的感知判斷及其評估的可信度。

近幾年，涉及大規(guī)模群決策的成果頗多，大規(guī)模群決策（LSGDM）要求不少于20位參與者依據(jù)評估信息和關(guān)系網(wǎng)絡(luò)，促進(jìn)群體共識，提高決策效率，對有限方案進(jìn)行排序與優(yōu)化選擇[14]。涉及這方面的研究多集中在決策聚類[15～16]、決策演化[17]、決策風(fēng)險[13]、決策成本[18]和決策共識[9,15]，較少考慮到?jīng)Q策管理[19～20]和實施阻力。Lu等基于SNA聚類和群體共識達(dá)成，提出HFPRs補(bǔ)值方法和檢測并管理不信任行為的機(jī)制[16]。Li等提出在社會網(wǎng)絡(luò)背景的領(lǐng)袖的偏好演化機(jī)制和客觀的自我評價機(jī)制以促進(jìn)群體共識達(dá)成[17]。Zhou等基于決策者風(fēng)險態(tài)度的聚類，提出在風(fēng)險態(tài)度下處理勾股模糊信息的統(tǒng)計估計方法和最小化群體沖突的優(yōu)化模型[21]。Liang等提出一種在LSGDM中基于有限信任效應(yīng)和擴(kuò)展的PSO算法的信息損失最小和時間約束的CRP方法，在降低決策成本與促進(jìn)群體共識達(dá)成上表現(xiàn)較好[18]。Yang等基于意見動力模型，提出參考公眾意見和信任關(guān)系的社交輿論管理機(jī)制[20]。Li等基于社交交互網(wǎng)絡(luò)和意見演化，提出檢測和管理操縱和非合作行為的機(jī)制和共識反饋模型[19]。過去十年，已有許多復(fù)雜模型和優(yōu)化方法用于不同視角下基于LSGDM的方案選擇，但目前較少涉及依據(jù)群體智慧、評估差值和實施阻力對排序結(jié)果深入調(diào)整。此外，合理、客觀的決策者權(quán)重對方案排序影響較大，現(xiàn)有研究多假定專家權(quán)重一致[22]，或是基于信息熵[23]、評估值上的優(yōu)化模型[24]確定決策者權(quán)重。Yue基于香農(nóng)熵和熱力學(xué)定律確定決策者權(quán)重，將權(quán)重確定的信息量從單個屬性向量提升到整個決策矩陣[23]。Dong等設(shè)計一種新的基于非合作行為的共識模型，其中基于子組中專家數(shù)量確定決策群權(quán)重，專家權(quán)重為所在子組中的權(quán)重均值，即同一子組內(nèi)的專家權(quán)重一致[25]。以上確定決策者權(quán)重的方式均沒有考慮到個體的信息價值，且大多基于基數(shù)信息，缺少一種結(jié)合認(rèn)知特性和表達(dá)能力考慮評估可信度的權(quán)重確定方法。目前考慮成員評估的群體智慧驅(qū)動下的決策研究尚處于探索階段，基于成員知識結(jié)構(gòu)和認(rèn)知能力的量化方法較少。

綜上，本文提出融合個體認(rèn)知能力的權(quán)重確定和方案調(diào)整方法。首先，基于知乎平臺收集并獲取一定規(guī)模的公眾意見，輔助專家在抉擇方案優(yōu)劣性時考慮公眾滿意度下的方案實施阻力，選擇雙方認(rèn)可度較高的方案作為最佳方案。其次，從個體的基數(shù)評估中抽取并利用序數(shù)結(jié)構(gòu)信息，基于群體評估差異確定成員權(quán)重。然后，提出一種個體之間意見差距度量方法，拓展了抽取決策成員序數(shù)行為的信息及其價值的方式。最后，基于二元語義信息下的個體認(rèn)知能力，考慮低價值群體退出決策對方案排序的影響。本文所提方法為探索公眾-專家協(xié)同下的應(yīng)急決策范式提供新思路，從實際情境出發(fā)的方法模擬及對比分析也驗證了方法的可行性及有效性。

本文的創(chuàng)新之處在于：（1）借助社交平臺獲取公眾評估信息，輔助專家衡估方案，拓寬了決策要素來源。（2）考慮大規(guī)模異質(zhì)群體的知識經(jīng)驗的差異性，識別個體之間的認(rèn)知能力和序數(shù)共識，提出一種專家權(quán)重確定方法以全面衡量個體之間、個體與群體之間的基于認(rèn)知和表達(dá)能力上的綜合差異。（3）基于個體認(rèn)知能力，分析不同辨識水平的成員評估對決策結(jié)果的影響。

一、問題描述與方法基礎(chǔ)

（一）問題描述

設(shè)專家集合E={e1,e2,···,eM}和 公眾集合P={p1,p2,···,pK} 對L個可行方案A={a1,a2,···,aL}進(jìn)行基于個體認(rèn)知能力的評估，其中公眾評估以偏好序列表示，專家評估以多粒度的二元語義值表示。方案屬性集合為C={c1,c2,···,cN}，方案排名集為I={1,2,···,L} ，其中1

表1 變量的符號及說明

（二）方法基礎(chǔ)

定義 7.[37]在有限集X={x1,x2,···,xL}中，兩個主體表達(dá)對同樣兩個方案之間的關(guān)系時，在關(guān)系集{?,～,?}中存在表2所示的9種情況，需要滿足非負(fù)性、對稱性和三角不等式的公理性質(zhì)和7個條件，這里不展開敘述。假設(shè)距離用d表示，xr,xh∈X，則成員之間的序數(shù)評估存在的關(guān)系距離如表2。

表2 序數(shù)評估關(guān)系之間的距離

二、方法原理

（一）基于序數(shù)評估的成員綜合差距測度方法

決策成員提供的信息及其質(zhì)量對決策結(jié)果存在影響。本文基于個體間的表達(dá)距離、關(guān)系及知識差測量成員之間的綜合差距，主體間的表達(dá)差距考慮了序數(shù)評估距離及關(guān)系，知識差基于個體之間知識水平的相對差值確定，又名主體間的認(rèn)知差距。由于現(xiàn)實情境中可能存在知識水平相近但排序偏好不同的情形，因此結(jié)合認(rèn)知差和表達(dá)差來確定主體間的綜合差距是有意義的，為后續(xù)確定成員權(quán)重提供依據(jù)。這與以往研究假定所有成員具有相同的重要程度[22]或基于優(yōu)化模型[24]確定成員權(quán)重區(qū)分開來，本文采用的成員權(quán)重確定從個體的認(rèn)知行為和表達(dá)能力出發(fā)，考慮信息質(zhì)量和實際差距，更為客觀和全面。

（二）方法框架

方法流程如圖1所示。其中，左側(cè)引入公眾參與決策過程，依據(jù)獲得的公眾排序信息和個體知識水平測量，以確定公眾基于認(rèn)知能力的方案評估，輔助專家選擇最優(yōu)方案。方框內(nèi)右側(cè)為一般的專家決策過程，與現(xiàn)有文獻(xiàn)不同的是，引入主體間的認(rèn)知差距和表達(dá)差距確定專家權(quán)重，從而得到基于融合專家智慧的方案排名。方框內(nèi)左側(cè)和右側(cè)的流程在邏輯上獨立且允許同時進(jìn)行，最后在參考公眾智慧上確定雙方滿意的最佳方案，有效減少了方案實施阻力。

圖1 基于異質(zhì)主體評估的權(quán)重確定方法及方案調(diào)整流程

三、方法步驟

（一）公眾認(rèn)知上的方案排序

通過收集公眾意見獲得個體對方案的全局排序，形成個體的PSV，然后計算個體的知識水平，從而確定個體的權(quán)重，將個體的知識水平權(quán)重融入PSVs中，獲得公眾認(rèn)知上的方案排序，具體步驟如下：

Step 1. 在專家提供多個備選方案后，獲得K位公眾提供對L個方案的直接排序信息，允許公眾對方案存在無差異評估，形成公眾的PSVs:{p1},{p2},···,{pq},···,{pK} ， 其中，表示第q位公眾對方案al的排位評估。

Step 2. 結(jié)合Step 1結(jié)果，由定義9計算公眾的知識水平K Dpq。

Step 3. 確定個體權(quán)重。依據(jù)公式(11)獲得主體的認(rèn)知能力，用式(14)標(biāo)準(zhǔn)化個體評估所象征的知識水平，由此確定個體在群體知識水平中的標(biāo)準(zhǔn)化權(quán)重。通常，個體知識水平越高，其權(quán)重越大。

Step 4. 確定公眾集體對方案的整體排序。利用Yager提出的加權(quán)聚合算子得到一維評估向量，元素計算如式(15)。由于本文方法是基于方案排位上的聚合，若方案在連續(xù)排位上，則針對方案al，公眾pq的評估。再結(jié)合公眾權(quán)重，值越小，表示方案al越好；但若和其余部分方案仍處于同一區(qū)間段，則認(rèn)為這些方案之間差異很小。

（二）專家認(rèn)知上的方案排序

基于二元語義獲得專家對方案在屬性上的評估矩陣，并基于灰色關(guān)聯(lián)模型確定屬性權(quán)重，再通過聚合算子得到專家對方案的評估向量。然后，將成員評估值按區(qū)間劃分并形成個體的PSV，從中確定主體的認(rèn)知差距和表達(dá)差距，從而確定專家權(quán)重。最后，將個體權(quán)重融入對方案的評估矩陣中，獲得專家認(rèn)知上的方案排序，具體步驟如下：

四、案例應(yīng)用與對比分析

（一）案例背景

2022年3月，中國湖南省長沙市出現(xiàn)COVID-19次生疫情，基于以往的疫情防控經(jīng)驗，長沙市疾病預(yù)防控制中心迅速聚集來自不同領(lǐng)域的20位專家，在時間壓力內(nèi)制定出方案集A={a1,a2,a3,a4}。其中，各方案具體內(nèi)容如下：a1：“劃分中高風(fēng)險區(qū)、管控區(qū)和低風(fēng)險區(qū)，實行分區(qū)管控，中高風(fēng)險區(qū)和管控區(qū)定期組織全員核酸，防疫物資主要向中高風(fēng)險區(qū)傾斜；低風(fēng)險區(qū)出行需提供 48 小時內(nèi)的核酸證明；加強(qiáng)流調(diào)工作并開設(shè)線上心理講座”；a2：“加強(qiáng)市內(nèi)的防控工作，從附近運輸物資；明確中高風(fēng)險區(qū)，并實施限制；實行 14 天自我隔離和 7 天 7 檢，發(fā)現(xiàn)異常者立即送往集中隔離；實時宣傳防疫知識，校內(nèi)要關(guān)注學(xué)生身心健康”；a3：“向各市區(qū)分配醫(yī)療資源與物資，加強(qiáng)方艙醫(yī)院建設(shè)；劃分中高風(fēng)險區(qū)、管控區(qū)和低風(fēng)險區(qū)，對重點區(qū)域嚴(yán)格管理，實行三天兩檢并倡導(dǎo)居家隔離辦公，出行要核實健康碼、核酸報告和掃描場所碼；官媒或公眾號實施通報疫情變化，宣傳防疫知識和加強(qiáng)公眾心理疏導(dǎo)”；a4：“禁止重點疫情區(qū)域的出行，設(shè)置疫檢口并進(jìn)行全員核酸，防疫物資主要向中高風(fēng)險區(qū)傾斜；低風(fēng)險區(qū)出行需提供 24 小時內(nèi)的核酸證明，員工持綠碼正常復(fù)工；官媒及時通報疫情防控進(jìn)展并跟進(jìn)社交媒體的輿論引導(dǎo)”。

（二）決策過程

1. 獲得公眾認(rèn)知上的方案排序

次生疫情暴發(fā)后，首先利用八爪魚工具從知乎平臺中獲取極為關(guān)注此事件的用戶信息，如昵稱、評論時間、內(nèi)容等；其次，我們從中邀請了200位公眾在線表達(dá)他們對方案的評估。將專家制定的備選方案集告知他們，并允許提供方案的并列排序；最后，對收集到的評估信息進(jìn)行剔除無效樣本（用戶沒有提供對方案的有序排序信息，包括：沒有排序、部分排序、非連續(xù)排序），最終有效樣本為5 0 個。統(tǒng)計不同P S V 占有效樣本的百分比（Pro%），列出典型的9種公眾方案排序信息，如表3所示。

表3 公眾提供的方案排序

Step 1. 根據(jù)表3和定義 5形成公眾的PSVs，如表4所示。

表4 公眾的PSV表示

Step 2. 引入最大知識水平閾值 λ ,并假定λ=0.8， 根據(jù)公式(11)計算個體的知識水平K Dpq， 以p6為例，p6僅{1,2,3}和{4}兩個分區(qū)，由式(11)計算得KDp6=(ln4-ln(3×3×3×1)/4)×( 2/(32+12))≈0.112。同理，得群體知識水平向量：KDP=(KDq)=(0.52,0.52,0.8,0.52,0.52,0.112,0.8,0.173,0)。

Step 4. 結(jié)合上述結(jié)果和式(15)得到公眾對方案排序的整體評估，OP=(2.180,2.767,1.185,3.169)T，公眾對方案的最終排序結(jié)果為：a3>a1～a2>a4。該結(jié)果表明公眾抵制a4的實施，最能接受a3的實行。

2. 獲得專家認(rèn)知上的方案排序

假設(shè)專家群體經(jīng)過討論確定了方案的評估標(biāo)準(zhǔn)，組成屬性集C={c1,c2,c3,c4}，其中各屬性含義如下：c1： 輿論引導(dǎo)；c2：物資保障；c3：防控等級；c4：安全程度。

Step 1. 專家根據(jù)自身的知識背景、認(rèn)知能力和所掌握的信息提供如下表的重要性評估，評估統(tǒng)一地采用粒度為9的二元語義表示，如表5所示。

表5 專家的意見評估

Step 2. 確定屬性權(quán)重。以O(shè)f=(min1

其中， |o11-o1f|=0 ,|o12-o1f|=5 ,|o13-o1f|=0.8,|o14-o1f|=3.2 ， 因 此Λmin=min{0,0.63,0.8,3.2,5}=0,Λmax=max{0,0.63,0.8,3.2,5}=5 。同理，r2f≈0.54,r3f≈0.56 , r4f≈0.72 ，再由式(16)求得e1的屬性權(quán)重，如表6所示。

表6 通過GRD模型獲得各專家感知上的屬性權(quán)重

Step 3. 獲得專家對方案的評估。以e1為例，結(jié)合表5、表6，由式(1 7)得：，見表7。

表7 專家對方案的認(rèn)知評估

Step 4. 結(jié)合表7和式(2)，將評估值轉(zhuǎn)化為數(shù)值形式。以e1為例，O1=(β1l)1×4=(3.71,6.72,2.77,3.51)。由于e1在a1和a4上的差異過小，仍在同一區(qū)間內(nèi)，有a2?a1～a4?a3。故按照定義5得到Be1={{2,3},{1},{4},{2,3}},如表8所示。結(jié)合公式(11)計算個體的知識水平，得到 KDE= (0.520,0.520,0.112,0.520,0.520,0.112,0.520,0.520,0.173,0.520,0.173,0.520,0.520,0.800,0.520,0.800,0.520,0.520,0.800,0.520)。

表8 專家的偏好序列表示

Step 5. 確定專家權(quán)重。由定義 8和定義 10分別計算專家間的表達(dá)差距和認(rèn)知差距，最終確定主體間的綜合差距，其中本文假定關(guān)系閾值 γ=0.5，認(rèn)知閾值 θ=0.6 。以專家e1和e2為例，由式(7)得?(Be1,Be2)=max{0,-2}+max{0,3} +max{0,1}+max{0,-2}=0+3+1+0=4，則距離差由公式(8)得：

關(guān)系差由公式(9)得：

則e1和e2間的表達(dá)差距由公式(10)得：dexp(Be1,Be2)=0.5×(drel(Be1,Be2)+ddis(Be1,Be2))=0.5 ,由 于e1和e2間的相對知識差為0，由公式(13)得綜合差距值為：dtotal(Be1,Be2)=0.2 。專家的綜合差距矩陣D=(dtotal)20×20是主對角線為0的非負(fù)對稱矩陣，如下所示：

Step 6. 將專家權(quán)重融入表7的方案評估中，由公式(20)確定方案的優(yōu)劣順序并觀察方案得分所在區(qū)間，得到OE=(3.960,4.291,4.157,4.492)， 即a4～a2～a3?a1。

Step 7. 確定最佳方案。由于方案a4被公眾明顯抵觸，而a1不 被專家所認(rèn)可，故只需在a2和a3中比較。專家集體認(rèn)為a2～a3， 而公眾集體認(rèn)為a3>a2，因此結(jié)合異質(zhì)群體決策結(jié)果，實施a3的效果最好。

（三）比較分析

在現(xiàn)有的LSGDM中，針對專家權(quán)重確定的研究多是從主體間的信任關(guān)系或是意見接近度或是綜合考慮，其中，可能存在專家意見與群體意見偏差過大但對方案的綜合排序在整體上排序一致的情形，故本文確定專家權(quán)重是從方案排序出發(fā)，基于個體與群體之間在方案表達(dá)的模糊性和排序行為上的平均綜合差距，確定個體在群體中的話語權(quán)和影響力。本文權(quán)重確定有兩個來源：一是從主體評估方案的模糊程度上計算個體在具體情形下的知識水平，知識水平越高，專家對方案間的評估越清晰，其決策能力越強(qiáng)。由于僅衡量個體的知識水平會存在主體間知識水平相似卻對方案排序上意見不同的情形，故還需考慮引入決策者表達(dá)能力上的差距。第二來源是從主體間排序行為中的方案位置和關(guān)系上，通過計算決策個體之間的整體表達(dá)差距，結(jié)合專家間的認(rèn)知差距，給予與群體即其他決策個體的平均綜合差距較小的專家以較高的權(quán)重。

首先，觀察認(rèn)知閾值的大小對方案排序結(jié)果的影響，如表9所示?？傮w來說，方案排序結(jié)果從a4～a2～a3?a1轉(zhuǎn) 向a4～a2～a3～a1，表明認(rèn)知閾值越大，認(rèn)知上的模糊性越多，此時最優(yōu)方案和最劣方案間的差距在縮減，會使得決策者無法完全將方案區(qū)分開來。

表9 認(rèn)知閾值對排序結(jié)果的影響

其次，在對內(nèi)驗證中，將公眾數(shù)據(jù)用專家確定權(quán)重的方法計算，得到方案排位上的評估為OP=(2.445,2.919,1.242,3.393)；若使得知識水平較低的個體 (即 K D<0.5) 退出決策過程，得到方案排位上的評估為OP=(2.097,2.772,1.205,3.242)；從之前討論可知，在本文中的公眾知識水平上的方案排位評估為Op=(2.180,2.767,1.185,3.169)?；蚋淖儥?quán)重確定公式，采用式(21)得到的排位評估為O＇P=(2.437,2.931,1.248,3.384)，排序結(jié)果仍保持一致?；虿挥嬎阒黧w間的認(rèn)知能力差距，直接將知識水平融入表達(dá)差距矩陣上，得到排位評估向量Op=(2.218,2.962,1.059,3.761)。觀察上述評估向量，它們在排序結(jié)果上保持一致，反映了個體權(quán)重確定方法的合理性和可行性。

最后，通過與現(xiàn)有文獻(xiàn)在不同層面的對比反映本文所提方法的適用性和優(yōu)越性。Hou[36]利用 PSV和方案排序上的分歧矩陣，迭代三次后確定最終方案排序：A1>A2>A3>A5～A4，但采用本文所提方法僅經(jīng)過一次便得到在方案排位上的專家評估：OE=(1.394,1.476,2.584,4.332,3.944)， 即A1>A2>A3>A5>A4，結(jié)果基本一致，加快了決策過程并提升決策效率。Hou 是基于最小化方案間的分歧值，而沒有考慮到主體的知識水平測度和方案排序的關(guān)系上。Liu[33]基于 EPM和方案關(guān)系，依據(jù)控制和被控指數(shù)確定其算例的方案排序：A4?A3?A2～A1，采用本文所提方法得到OE=(2.905,2.745,2.255,1.765)，即A4?A3>A2>A1，結(jié)果仍基本一致，但本文更深入地考慮了個體提供的信息價值，研究了個體的認(rèn)知能力對方案抉擇的影響。Wan[39]基于排序信息的相似性和前景理論得到的方案排序為：A6>A3>A2>A5>A1>A4， 其中A1和A4為負(fù)向得分，前三位為正向得分且差值在1%內(nèi)，采用本文方法得到在排位上的方案評估OE=(4.751,2.216,2.535,4.356,3.212,2.608) ，即A2～A3～A6>A5>A4～A1。雖然方案排序有所差別，Wan考慮的是主體的情緒態(tài)度，但本文研究視角不同，考慮了主體提供的信息價值和對評估方案的真實區(qū)分能力。此外，文獻(xiàn)[40]基于專家間的意見與信任確定權(quán)重，最終方案排序為：A5>A3>A2>A1>A4，采用本文所提方法獲得方案得分評估：OE=(0.573,0.568,0.588,0.525,0.723)，即A5>A3>A1>A2>A4，對比表明：群體在最優(yōu)、次優(yōu)及最劣方案上的認(rèn)知是一樣的。

綜上，通過比較分析驗證本文所提方法具備一定的可行性、有效性和優(yōu)越性。在專家權(quán)重確定上，既衡估了專家通過行為表現(xiàn)出來的個體知識水平，又考慮到了個體表達(dá)能力上的差距。此外，本文引入公眾支持度衡量方案實施阻力，且有效避免了社交關(guān)系中的羊群效應(yīng)的破壞，更為合理地參考公眾價值信息，選取實施效果更佳的方案。

五、結(jié)論

現(xiàn)有的大規(guī)模應(yīng)急決策通?；趥€體提供的基數(shù)信息及社交網(wǎng)絡(luò)關(guān)系確定權(quán)重，然而社交媒體平臺上的關(guān)系網(wǎng)絡(luò)通常稀疏且難以獲取。此外，以往研究較少考慮到基數(shù)信息上的模糊性和價值量。本文提出一種基于主體認(rèn)知及評估的權(quán)重確定和方案調(diào)整方法，并將其應(yīng)用到大規(guī)模異質(zhì)群體的應(yīng)急決策領(lǐng)域，不僅為信息不完備、演化復(fù)雜的應(yīng)急事件提供基于群體智慧和群體支持下的方案排序信息，在決策科學(xué)的基礎(chǔ)上提高實施質(zhì)量，而且有助于探索認(rèn)知特性下大群體應(yīng)急決策管理的新范式。

本文的主要貢獻(xiàn)及相關(guān)結(jié)論如下：（1）引入公眾輔助決策的視角，參考公眾集體智慧下的方案排序并判斷各方案的實施阻力，補(bǔ)充共建共治共享的應(yīng)急管理體系；（2）提出從個體的模糊表達(dá)中進(jìn)行知識測量，作為對個體所提供的信息的價值及其認(rèn)知能力的衡量依據(jù)，研究表明高辨別能力的個體評估能加速決策效率；（3）提出新的個體權(quán)重確定方法，結(jié)合個體提供的行為數(shù)據(jù)，全面衡量個體之間、個體與群體之間的基于認(rèn)知和表達(dá)能力上的綜合差異；（4）基于個體認(rèn)知能力，研究評估模糊性較多的個體進(jìn)入與退出決策對最終方案排序的影響，并通過對比分析得到結(jié)論：“低認(rèn)知能力的主體的決策退出對最佳方案的選取干擾較小”。然而，所提方法的不足在于：二元語義模型只能處理均勻?qū)ΨQ分布的偏好語言術(shù)語集，但由于決策過程中的時間壓力和復(fù)雜變化，受限于其專業(yè)背景和認(rèn)知能力，專家提供的評估信息可能是非平衡和存在缺失值。