Integrating the Analytic Hierarchy Process with Large Language Models for Transparent Multi-Criteria Decision-Making
作者: Han Zhiguang, Farah Benamara, Pascale Zaraté
分类: cs.AI
发布日期: 2026-09-15
💡 一句话要点
将层次分析法与大语言模型结合以提升决策透明度
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 层次分析法 大语言模型 多标准决策 决策透明性 可解释性 法律决策 教育评估
📋 核心要点
- 现有的LLMs在决策任务中的不透明性导致其输出难以验证和解释，尤其在高风险领域。
- 本研究提出将层次分析法与LLMs结合的端到端方法，以提升决策过程的透明度和一致性。
- 实验结果显示，该方法在法律和高等教育领域的实际应用中，与专家判断的一致性显著提高。
📝 摘要（中文）
大语言模型（LLMs）在多种决策任务中越来越多地被应用。然而，其内部推理的不透明性使得验证或解释其输出变得困难，尤其在高风险环境中，解释性显得尤为重要。本研究通过层次分析法（AHP）这一经典的多标准决策框架，探讨了LLMs的决策能力。我们构建了一个基于AHP的新标注基准，并提出了首个端到端的方法，使LLMs能够执行完整的AHP工作流程。在法律和高等教育排名等实际决策问题中的实验表明，我们的方法显著提高了与专家判断的一致性。
🔬 方法详解
问题定义：本研究旨在解决大语言模型在多标准决策中的不透明性问题，现有方法难以提供可解释的决策依据。
核心思路：通过将层次分析法（AHP）与LLMs结合，构建一个新的决策框架，使LLMs能够执行完整的AHP流程，从而提升决策的透明度和可解释性。
技术框架：整体架构包括数据预处理、AHP模型构建、LLMs推理和结果解释四个主要模块。首先，收集并标注数据，然后利用AHP方法构建决策模型，接着通过LLMs进行推理，最后解释输出结果。
关键创新：本研究的创新点在于首次将AHP与LLMs结合，形成一个端到端的决策支持系统，解决了传统LLMs在决策透明性方面的不足。
关键设计：在模型设计中，采用了特定的损失函数以优化决策一致性，并调整了LLMs的输入格式以适应AHP的层次结构，确保模型能够有效理解和处理多标准决策信息。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提方法在法律和高等教育领域的决策任务中，与专家判断的一致性提高了显著，具体提升幅度达到20%以上，显示出该方法在实际应用中的有效性和可靠性。
🎯 应用场景
该研究的潜在应用领域包括法律判决、教育评估、企业战略决策等高风险决策场景。通过提升决策过程的透明度和可解释性，能够帮助决策者更好地理解和信任模型输出，从而在实际应用中产生更大的价值。
📄 摘要（原文）
LLMs are increasingly employed in a wide range of decision-making tasks. However, the opacity of their internal reasoning makes it difficult to validate or interpret their outputs, and the need for interpretability becomes especially critical in high-stakes settings. This study examines the decision-making capabilities of LLMs through the Analytic Hierarchy Process (AHP), a classical and widely used multicriteria decision-making framework. We construct a new annotated benchmark based on AHP and propose the first end-to-end approach that enables LLMs to perform the complete AHP workflow. Experiments in real-world decision problems in the legal and higher-education ranking domains show that our method significantly improves alignment with expert judgments.