编辑推荐：
为解决因果循环图（CLDs）合并难题，研究人员用自然语言处理（NLP）开展研究，发现其可加速合并，意义重大。
在当今复杂的社会环境下，诸多难题如全球贫困、气候变化、肥胖和心理健康问题等接踵而至。这些问题相互交织，如同一张紧密的大网，牵一发而动全身。以心理健康问题为例，它受到社会、环境和生物等多种因素的影响，这些因素彼此关联，形成复杂的反馈结构，使得问题的根源难以捉摸。
为了深入理解和解决这些复杂问题，因果循环图（Causal Loop Diagrams，CLDs）应运而生。CLDs 就像是一张 “关系地图”，通过图形化的方式展示系统中各个因素之间的直接和间接因果关系。而群体模型构建（Group Model Building，GMB）则是一种让各方利益相关者共同参与构建 CLDs 的方法，大家齐心协力，共同绘制出对问题的理解，进而制定出解决问题的策略。
然而，在实际应用中，CLDs 的合并却遇到了麻烦。当多个群体分别构建了自己的 CLDs 后，要将它们合并成一个综合的 CLD 并非易事。如果只是简单地把所有因素和循环都堆砌在一起，最终得到的 CLD 会变得极为复杂，就像一团乱麻，让人难以看清问题的关键。而且，以往的合并方法往往依赖人工判断，不仅耗时费力，还容易出现不一致的情况。
为了解决这些问题，来自迪肯大学（Deakin University）的 Melissa Valdivia Cabrera 等人开展了一项研究。他们将目光投向了自然语言处理（Natural Language Processing，NLP）技术，试图探索其在简化和优化 CLD 合并过程中的可行性。该研究成果发表在《BMC Public Health》上。
研究人员采用了一系列关键技术方法：首先，从 13 个不同社区通过 GMB 工作坊构建的 CLDs 中提取并预处理独特的因素名称，去除其中的干扰信息；接着，运用多种预训练语言模型来评估因素之间的相似性，将文本转化为向量进行计算；然后，通过优化算法确定最佳合并阈值，以最大化 F1 分数；最后，依据选定的阈值对 13 个 CLDs 的因素进行合并。
研究结果如下：
- 模型性能对比：研究人员将句子转换器模型与 Word2vec、平均词嵌入和 Jaccard 相似性等模型进行比较。结果发现，句子转换器模型表现更为出色。例如，Word2vec 和平均词嵌入在处理某些因素时，可能会因为词汇不在其词汇表中或训练数据缺乏相关模式，而无法给出分数或给出零分。而 Jaccard 相似性算法由于仅基于字面匹配，会给出一些不一致的结果，忽略了因素的实际含义。
- 最佳模型筛选：在众多模型中，paraphrase - multilingual - mpnet - base - v2 模型脱颖而出，它的 F1 分数最高，达到 0.68。因此，研究人员使用该模型，以 0.75 为阈值对因素进行合并。
- 因素合并成果：最初的 13 个 CLDs 共有 670 个因素，去除重复值后剩下 592 个独特因素。经过合并，344 个因素被合并成 66 组，还有 248 个因素作为独特条目保留下来。不过，在合并过程中也出现了一些问题，比如有些含义相反的因素可能被合并，部分因素定义不清晰导致合并存在争议等。
研究结论和讨论部分指出，NLP 技术，尤其是句子相似性模型，在指导 CLD 因素合并方面具有很大的潜力。它能够帮助研究人员快速识别相似因素，大大简化因果图，加速 CLDs 的合并过程，助力社区构建更简洁、更具普遍性的复杂健康问题模型。但同时，研究也发现了一些问题。例如，短文本语义相似性（Short - Text Semantic Similarity，STSS）存在诸多挑战，如信息有限、一词多义、存在异常值、句子结构复杂等。而且，在本次研究中，仅依靠一位主题专家（Subject Matter Experts，SME）来确定合并的 “ground truth” 可能存在局限性。未来的研究可以进一步优化 NLP 技术，探索更准确的短文本相似性模型，同时在构建 CLDs 时，确保因素定义清晰、一致，以提高 NLP 的兼容性。
总的来说，这项研究为解决 CLDs 合并难题提供了新的思路和方法，虽然目前还存在一些需要改进的地方，但随着 NLP 技术的不断发展，有望在未来更好地支持社区构建 CLDs，推动全球健康预防工作的进步。
