Что такое система поддержки принятия решения полиграфолога?

Система поддержки принятия решений (СППР) — это компьютерная автоматизированная система, задача которой помочь пользователям, которые принимают решение в сложных условиях. СППР — это система, которая обеспечивает доступ к данным, информационным и математическим моделям. Это в целом отвечает запросам полиграфологов ‒ нередко им приходиться принимать решение в непростых условиях, когда возникают сложности с анализом полиграммы. Идеология СППР не предполагает подмену лица, принимающего решение (ЛПР), но призвана помочь ему. Например, СППР в медицине ‒ это система поддержки принятия решения врача. Она помогает врачу поставить диагноз больному и назначить правильное лечение.

По, наиболее распространённой системе классификации СППРП «Сокол» можно отнести к активным (предлагает принять определённое решение), к управляющим математическими моделями (Model-Driven DSS, выработка решений на основе вероятностных моделей), к оперативным (немедленное принятие решения на основе имеющихся данных), к настольным ‒ индивидуального использования (малая система обслуживающая лишь один компьютер пользователя).

СППР ‒ системы исследования и анализа данных, предполагающие глубокую проработку данных, для выработки решения, рассчитаны на пользователей, имеющих как знания в предметной области, так и навыки использования современных компьютерных технологий. Предполагается, что полиграфолог ‒ пользователь СППРП «Сокол»:

В настоящее время в СППРП «Сокол» используется три проверенных, валидизированных алгоритма: алгоритм «Сокол»,алгоритм Out_LIEr и Б7. Планируется разработка и внедрение новых алгоритмов. Не без оснований должен возникнуть вопрос: зачем столько алгоритмов? Дело в том, что существуют алгоритмы классификации с совместным использованием разного рода алгоритмов. Например, это такие интегральные алгоритмы как:

Именно в этом направлении предполагается развитие СППРП Сокол. С одной стороны, если несколько разных, но точных алгоритмов классификации, дружно показывают принадлежность полиграммы к одному из классов, то в этом случае будет присутствовать минимум сомнений у полиграфолога в принятии решения. С другой стороны, применение нескольких алгоритмов должно привести к уменьшению количества неопределённых исходов. Каким образом это может произойти можно продемонстрировать с помощью кругов Эйлера. Каждый круг обозначает множество результатов одного из трёх алгоритмов, когда он давал неопределённый результат. НР - обозначает "нет решения". Белым цветом обозначено множество случаев, когда только один алгоритм из трёх имеет Серым цветом обозначено множество случаев, когда два алгоритма из трёх не имеют решения, и жёлтым - все
три алгоритма не имеют решения

Два алгоритма не имеют решения

"Истинная неопределённость" - все три алгоритма не имеют решения

Можно видеть, что область "истинной неопределённости" меньше чем область неопределённости каждого из алгоритмов. Например, на данный момент в СППРП «Сокол» имеется два алгоритма с оценкой общей точности на 300 полиграммах в 0,94 и 0,94. У первого алгоритма процент не определённых результатов равен 11% (33 из 300), у второго 15% (44 из 300). Используя совместно оба алгоритма, будем иметь алгоритм с общей точностью 0,93 и процентом неопределённых исходов равным 6% (19 из 300). Как видно общая точность интегрального алгоритма мало отличается от исходных, а количество неопределённых случаев уменьшилось в 1,7 раза по отношению к первому и в 2,3 раза по отношению ко второму алгоритму. Для построения интегрированного алгоритма необходимо, чтобы входящие в него алгоритмы, имели высокие и близкие характеристики точности и их результаты имели достаточно большой коэффициент контингенции (корреляции). В этом случае они будут достаточно редко, на одной и той же полиграмме, давать противоположные решения

То, что разные алгоритмы, при достаточно высокой точности, на одной полиграмме могут в редких случаях дать не совпадающий результат, является вполне объяснимым. Дело в том, что разные алгоритмы используют разные модели анализируемого объекта. Модель всегда выделяет какие-то существенные характеристики объекта и отбрасывает другие, и может включать в себя некоторые допущения, которые возможно не справедливы для всех объектов, поведение которых должна предсказать модель. Модель всегда использует часть информации об объекте. Разные модели могут включать в себя не совпадающие характеристики объекта и иметь не совпадающие допущения. И в некоторых случаях это различие в моделях может привести к противоположным предсказаниям.

На рисунке изображен тип реагирования на стимулы, которое, в достаточно редких случаях, но может произойти. Один алгоритм, который будет сравнивать, амплитуду реагирования на ПВ строго с левым вопросом сравнения (ВС) даст прогноз о лживости ответа на ПВ. Другой алгоритм, который будет сравнивать значение амплитуды реагирования на каждый ПВ с правым ВС, даст прогноз о правдивости ответа.