《Algorithms》:Benchmarking Statistical and Deep Generative Models for Privacy-Preserving Synthetic Student Data in Educational Data Mining
编辑推荐:
本文创新性地提出CIACROWDS方法,融合交叉影响平衡分析(CIB)、先进影响分析(ADVIAN?)与社交媒体众包技术,有效解决了传统情景分析法在认知偏差、专家依赖性和时间成本方面的局限。通过可再生能源采纳案例验证,该方法为复杂社会经济系统的情景构建提供了可重复、高效率的解决方案。
摘要
交叉影响分析广泛应用于情景模拟研究,用于识别影响生态变化、战略规划和决策支持的关键因素。然而传统方法存在处理复杂交互作用困难、认知偏差、耗时性强等问题。本研究开发了一种基于交叉影响分析和众包的一致性情景构建新方法,通过先进影响分析(ADVIAN?)实现复杂互依因素的高效缩减,并利用众包机制汇集专家集体智慧。该方法在可再生能源采纳案例中得到验证,证实其能够构建包含最佳情况、基准情况和最差情况的一致性情景。
- 1.
引言
情景分析通过探索未来事件或因素间的相互影响,帮助组织应对不确定性。交叉影响分析能够识别因素间的复杂依存关系,但传统方法过度依赖专家主观判断且缺乏多样性。本研究首次将ADVIAN?分析、众包过程和交叉影响平衡(CIB)分析整合应用于情景构建,利用社交平台"X"众包专家意见,显著提升了分析的包容性和效率。
- 2.
材料与方法
2.1. 使用材料
研究采用Microsoft Excel记录因素关系,ADVIAN?分类关键因素,CIB方法构建一致性情景。通过"X"社交平台招募专家,使用ScenarioWizard v4.54软件进行CIB分析。
2.2. 提出的CIACROWDS方法
该方法包含六个核心步骤:影响因素识别、影响矩阵创建、关键因素确定、专家判断收集、判断矩阵生成和一致性情景构建。
2.2.1. 影响因素识别
采用PRISMA协议系统检索Web of Science和Scopus数据库,最终筛选出81篇相关文献,识别出36个可再生能源采纳影响因素。
2.2.2. 影响矩阵创建
从文献中提取结构方程建模(SEM)路径系数(βij)构建36×36影响矩阵,路径系数区间为[0,1],表示影响强度。
2.2.3. 关键因素确定
应用ADVIAN?分析计算各因素的驱动性(DRI)和不确定性(PRE)指标,设定阈值筛选出7个关键因素:感知性能预期(F1)、感知易用性(F2)、社会影响(F4)、意识(F5)、感知成本价值(F6)、便利条件(F13)和感知环境意识(F15)。
2.2.4. 专家判断收集
通过"X"平台发布调查链接,14名符合专家标准的参与者完成了判断收集。专家需评估因素状态(高/低)间的相互影响,采用-2至+2的评分标准。
2.2.5. 判断矩阵创建
采用中位数统计方法整合专家判断,生成最终判断矩阵。
2.2.6. 一致性情景构建
将判断矩阵导入ScenarioWizard软件,通过CIB分析生成一致性情景。
- 3.
结果
通过降低一致性阈值至2,最终生成三个情景:促进可再生能源采纳(最佳情况)、适度采纳(基准情况)和限制采纳(最差情况)。基于相关性原则将7个因素归纳为三个构念:感知价值(含F1、F2、F6)、意识(含F4、F5、F15)和感知支持(含F2、F13)。
最佳情况情景表现为所有因素处于高状态,最差情况为全低状态,基准情况则呈现混合状态。基准情景更符合现实情况,为决策者提供了有针对性的干预方向。
- 4.
结论
4.1. 结果讨论
构建的情景为可再生能源采纳研究提供了坚实基础,但情景叙述本身需要领域专家进一步开发。该方法成功证明了将先进分析技术与众包结合在复杂系统建模中的有效性。
4.2. 局限性与未来工作
研究存在情景状态极端化、参与者地域信息缺失等局限。未来可探索众包在情景叙述开发中的应用,并扩大方法在新兴领域的适用性。
4.3. 伦理考量
研究通过在线调查获取知情同意,确保参与者匿名性,符合伦理规范,获得机构伦理批准(IREC 067/24)。