應用人工智能方法解釋投票行為之研究

Abstract

路網規劃或改善評估之研究中，關於抉擇部分，常使用價值導向（value-oriented） 決策模式，不易使一般決策者採用其結果。本研究修正改以目標導向（goal-randed voting）決策模式，並加強其解釋功能，以促進決策品質。 簡單地說，本研究結合群體抉擇方法及人工智慧之學習技巧，設計一套輔助群體抉擇 之解釋支援架構。其內容即針對： （１）一般投票方法（non-ranked voting）： 採用Mini-Max學習方法，以便在『選 』與『不選』之例子中，說明當選與否所具備之關鍵因素。該方法之優點為能減輕干 擾例子之影響，而且對新增例子，可迅速局部修正其規則；其缺點為規則求解方法尚 無嚴謹計算法則，僅以搜尋方法求得近似解，對大量資料處理緩慢。 （２）分級式投票法（raked voting）：採取判別理論之解釋方法，以說明高、低偏 好方案所具之特性。其優點為a.可學習得多個不同偏好組概念，作較詳細之解釋分析 。b.判別函數之求取，可避免干擾例子之影響。c.由數學式子推導並使用計算機，可 使計算快速而且正確；其缺點為a.對新增例子需重新求取判別函數，較費手續。b.為 漢足兩大假設，對說明變數需作適度定義，如改以虛擬變數、或用區間尺度等。該套 解釋系統經簡例測試結果，皆能有效說明各組概念，符合所給問題之特性。將其應用 於路網改善評估決策，在適度定義各說明變數後，可說明（１）方案當選時，投票者 屬性及方案準則評估值之影響，如本文Ａ地區之改善方案中，若能提供較節省之總旅 行時間，雖花費較高成，本則該群決策者不分專長、學歷幾乎會投其一票。（２）方 案為高、中或低度偏好之區別時，決策者屬性及方案準則評估值之影響，如本文Ｂ地 區之改善方案中，若對總成本、總耗油量及肇事防治上能作要求，即可區分出來。