第二届世界人工意识大会热身-媒体与顶刊速递系列

he 2nd World Conference on Artificial Consciousness

第二届世界人工意识大会(DIKWP-AC2024)

Artificial Consciousness: The Confluence of Intelligence and Consciousness in the Interdisciplinary Domain

Resource Adjustment Processing on the DIKWP Artificial Consciousness Diagnostic System

DIKWP人工意识诊疗系统资源调优处理

Yuxing Wang^1, Yucong Duan^∗1, Minhui Wang², Jiali Wei², Chunyu Zhuang³, Yanfei Liu⁴

¹DIKWP Research Group, School of Computer Science and Technology, Hainan University, China

²Hainan Affiliated Hospital of Hainan Medical College, China

³Haikou Hospital Of The Maternal And Child Health, China

⁴ College of Intelligence and Computing, Tianjin University, China

duanyucong@hotmail.com

Abstract-困惑会降低人类沟通效率。困惑来源于自然语言交互过程中的不确定性。为解决医疗领域中医患交流困惑，我们提出DIKWP人工意识诊疗系统资源（DIKWP-ACDS）调优方法处理不确定性。我们通过使用DIKWP-ACDS将医生和患者的对话文本内容统一映射为DIKWP模型的数据、信息、知识、智慧和意图。在各类型资源进行模块内与模块间融合转换的过程中，我们针对不确定性情况下的不完整、不一致、不精确问题分别采取迁移转化和偏差处理方法，并通过对比资源调优前后的意图进行方法有效性的验证。我们基于意识和潜意识的模型构建了DIKWP-ACDS，将现实生活中的多模态内容通过DIKWP模型映射出概念、语义，并借助概念-语义联动跨越认知空间、意识空间、语义空间、概念空间基于意图驱动进行不确定性问题的处理，进而达到预期优化效果。

Index Terms—DIKWP-AC, Migration Transformati-on, Bias Processing, Purpose-Driven, Doctor-Patient Communication

Ⅰ.  Introduction

目前对于医患之间沟通困惑的研究仅仅停留在困惑如何产生这一维度上。然而，人们需要从本质上解决沟通困惑。针对上述问题，我们通过DIKWP-ACDS资源调优处理能够让医生更理解患者的需求，患者正确解读医生的诊断流程。通过迁移转化和偏差处理，我们可以同时满足医生和患者的需求，从而提高医生对患者的诊疗效率。

段玉聪等人[1]提出了人工意识（AC）的语义数学定义。他提出了DIKWP-AC并开发了DIKWP-AC生理系统和DIKWP-AC数学系统。该系统对医患交流对话文本进行统一映，映射过程涉及到医生和患者两个主体的外部语言表达和内部主观感知。对于单个主体，映射过程确保了从对话文本到系统的一致性，进而可以确保两个主体之间的认知交互的准确性。将它们映射成模型之后进行交互的过程中，模型之间会不断统计、计算和推理的融合转换。因此，该系统能够在系统性红斑狼疮和痛风的诊断和治疗中模拟全过程的医患认知交互。这一不断接近人类大脑思维的过程推进了人类对意识和脑神经科学的研究。在DIKWP资源融合转换的建模过程中，存在着不确定性，只要包括不一致性、不完整性和不精确性等问题。为了解决以上问题，我们通过迁移转换和偏差处理等方法对DIKWP-ACDS进行资源优化处理，以提高系统的适应性和医患咨询效率。

Lake B.M [2]等人通过提供证据表明当神经网络被优化用于其组成技能时，它们可以实现类似于人类的系统性。He S [3]等人测试了造成沟通鸿沟的最重要驱动因素。Yau C [4]等人提出了一种使用汇总折线图的可视化技术来弥合用户之间的沟通差距。Sultan P [5]等人使用定量研究方法研究了感知沟通、满意度和信任对计划行为理论（TPB）模型中的意图-行为差距和感知行为控制（PBC）-行为差距的调节作用。Pai A A [6]等人采用红绿灯系统的形式以颜色编码的视觉辅助工具的形式指导患者完成治疗过程。Campbell C M [7]等人为了识别和改善沟通和以客户为中心的关系，强调必须克服主要障碍，包括概念化和实施高质量的代表和沟通。上述文献研究都有提到不同主体之间存在沟通差距，但是到目前为止没有文献提供一种解决沟通差距的方法。

为了解决沟通困惑，GaoHH等人[8]提出扩展数据、信息、知识和智慧模型架构作为资源表达模型，构建了一个系统方法来建模实体和关系元素。在建立了DIKW元模型框架[9]之后，段玉聪等人[10]提出了形式化DIKW模型的关键元素——语义认知。我们的工作基于语义认知[11]进行DIKWP资源的意图驱动转换和处理[12]，将意图驱动框架与人工通用智能（AGI）融合在一起[13]。未来，我们对DIKWP模型的研究和应用[14]还将扩展到芯片设计[15][16]和白盒测量标准框架设计等领域[17]。

第二节详细描述了当前诊断系统面临的问题。第三节描述了DIKWP-ACDS调优过程中涉及的处理定义以及调优模型的框架构建。第四节描述了我们如何通过DIKWP迁移转换和偏差处理方法在不确定性下进行DIKWP-ACDS资源优化处理。第五节主要介绍基于意图驱动的DIKWP模型设计诊疗系统调优处理的验证方案。最后对本研究内容和未来工作方向进行总结。

Ⅱ.  PROBLEM DESCRIPTION

DIKWP-ACDS有助于提高医患沟的效率。然而，需要对模块内部和模块间各种类型资源的整合和转换细节处理进行优化和调整。为了彻底解决优化调整过程中的不确定性问题，在概念空间、语义空间、认知空间进行DIKWP图谱映射与处理的基础工作过程至关重要。我们基于意识和潜意识模型对DIKWP模型的映射和处理过程进行优化。在不确定性情况下，由于资源不足，每个模块内执行的融合转换过程可能导致对医生和患者意图分析的不完整。缺乏模块间资源交互过程会导致医患主体语义分析不精确。此外，在模块间的资源交互过程中，医生和患者资源的不对称性也可能导致单个主体资源融合转换前后的不一致性。如上所述，融合转换过程的各个阶段存在不完整性、不精确性和不一致性。因此，不确定性的存在将会使得分析医生和患者两者的意图存在偏差，增加两者间认知距离，进而导致医生无法准确和有效地理解患者的需求并制定治疗计划。

系统需要根据医患交流的实际对话内容来分析如何进行不确定性的处理。为了确保医生和患者交互过程的直接有效性，我们需要减少由于症状描述不清和意图不明确产生的认知差异。医患沟通中产生的困惑是认知差异的根源。解决不完整性、不准确性和不一致性将有助于加强医患之间的信任关系，提高医生对患者的诊断和治疗效率。以红斑狼疮为例，我们选择将医生和患者之间日常交流对话内容统一映射到DIKWP资源进行建模和分析。以下是我们选定的医患对话文本。该对话文本是我们下一步对DIKWP资源映射、优化和模块处理工作的基础。

患者：(女，26岁)我皮肤上出现盘形红斑，一边膝盖疼，半个月前体检显示尿检蛋白+-0.15，血检正常。

医生：这种情况有多长时间了。

患者：快两个月了，反反复复。稍微好一点就容易复发，我怀疑我得了红斑狼疮。

医生：晒太阳的情况下脸会有什么不舒服吗？有没有口腔溃疡？掉发多不多？

患者：没有口腔溃疡，掉发情况正常，不多。但是晒了太阳脸会痒，到晚上不晒太阳脸也会痒。红斑狼疮如果不用药，颜色会慢慢消下去吗？

医生:绝大部分不会，四肢有关节痛乏力么？发不发热？

患者:不发热，就是右侧膝盖疼。

医生：好像没有其他明细的抽血结果，我这边给你开几个检查，完善检查内容，包括ANA、ENA、血沉、CRP、等，顺便开个X光检查看下膝盖。

患者：好的，您是不是怀疑并非红斑狼疮而是皮疹？

医生：是的。你的皮疹从外观看像是盘状的，但太淡，看不清，需要看免疫结果。

患者：现在已经不太红了，看不出来有斑了。但是太阳晒就会红起来，不晒后过一会儿就不那么红了。这种盘状红盘狼疮不用药会慢慢消退吗？

医生：看你的病情，还是先避免太阳直射。狼疮的话，一般是不行的。

患者：所以现在看症状，不太像红斑狼疮，是这样吗？

医生：主要颜色太淡，看不清，别的症状几乎没有。

患者：除了关节痛，还有尿蛋白。

医生：有些免疫病早期没有症状，也可以做活检。

患者：一般红斑狼疮导致关节痛的话是两边都会痛吗？

医生：目前最好不要随便猜测，检测结果出来会给你建议或答案。

我们根据上述医患交流案例文本进行资源处理和对比验证。DIKWP模型的本质是基于意图驱动。我们将以上文本内容作为诊断和治疗系统的输入内容，输出内容是DIKWP模型的意图资源。我们将通过比较输出内容来验证DIKWP-ACDS资源优化过程的有效性。

Ⅲ.  MODEL CONSTRUCTION AND RELATED DEFINITIONS

DIKWP模型描述了人类的认知过程，帮助我们理解和把握人类意识的本质，由五种资源组成：数据（Data）、信息（Information）、知识（Knowledge）、智慧（Wisdom）和目的（Purpose）。我们统一表示这五种资源为D_DIKWP、I_DIKWP、K_DIKWP、W_DIKWP和P_DIKWP。DIKWP模型通过实现多模态融合转换过程的目的，将人工意识的建立和运行更接近于人类思维。DIKWP-AC将生理与数理融合，模拟和重构人类的认知过程，并基于经验研究和计算模型进行模拟和推理。DIKWP-ACDS理论的构建考虑了人工智能和神经科学的研究内容，反映了大脑的处理和决策机制。

1） 意图驱动：DIKWP模型的构建基于意图驱动。意图驱动意味着通过意图将DIKWP模型的五种资源进行融合转换和生成，构建DIKWP语义空间，帮助人类实现客观分析过程。通过建立意图，模型可以以结构化形式呈现主体的需求，并实现有效的交互。在DIKWP-ACDS中，我们的意图驱动方法使系统能够通过DIKWP模型分析不同患者和医生的独特需求，为进行交流的每个人提供定制分析。得益于意图驱动，DIKWP-ACDS已成为医患交流的强大工具，帮助医生更好地理解患者的需求和状况。同时，DIKWP-ACDS帮助患者更好地理解医生的建议和治疗计划。

2） 潜意识系统（LLM）：利用大型语言模型处理海量数据，模拟人类直觉反应和快速信息处理的能力。

3） 意识系统（DIKWP）：基于数据、信息、知识、智慧、意图的综合处理，模拟人类深度思考和有目的的决策过程。

4） DIKWP迁移转换：我们可以通过DIKWP迁移转换方法合并和生成D_DIKWP、I_DIKWP、K_DIKWP、W_DIKWP和P_DIKWP五种类型的资源。通过这种方式构建跨模态资源处理的实现路径，可以改进和填充DIKWP资源库。通过合并生成的DIKWP资源，我们可以解决不完整性和不一致性的问题。

5） DIKWP偏差处理：DIKWP偏差处理分析、识别和纠正在DIKWP资源融合转换过程中出现的不一致性。DIKWP偏差处理也发生在已经通过迁移转换的DIKWP资源中。同样，我们可以迁移和转换已经经过偏差处理的DIKWP资源。在构建医生和患者的语义空间时，缺失、添加和融合的资源会产生偏差。医生和患者之间的偏差不仅影响了沟通的效率，还可能导致一定程度的医患冲突。我们需要进行资源库的丰富和完善过程，以消除偏差，确保准确、公正和客观。

在传统的概念空间中，概念通常是模糊的，缺乏明确的定义和界限。DIKWP模型为认知处理提供了一个结构化框架。它将复杂的认知过程分解为易于管理和理解的阶段，使得从原始数据的收集到深层次智慧和意图的形成成为可能。我们通过DIKWP模型将概念转化为具有明确意义和内涵的语义实体，使得原本模糊的概念获得了明确定义和清晰的界限。概念空间通常关注于严格定义的术语和结构化的信息，而语义空间则更加关注于情境下的含义、上下文和深层次的理解。三个空间紧密联系，概念空间为认知活动提供了基础材料，而语义空间则赋予了这些概念具体的意义和语境。认知空间则是整个认知过程的综合体，涵盖了对概念和语义的探索、理解和应用。

我们在下面分别展示了统一通过在概念空间、认知空间、语义空间进行映射与预处理之后的DIKWP模型资源在进行DIKWP-ACDS迁移转化和偏差处理的映射过程，经过上述预处理的DIKWP资源会更加清晰、可信、可解释。

1) D_DIKWP资源映射：数据是人类认知的“相同”语义的形象表示。数据通常代表一个事实或观察，背后有一定的语义。在处理D_DIKWP时，我们寻找并提取相同的语义，并将它们统一为一个概念。例如，在医学领域，虽然每个患者都有独特的身体特征和医疗状况，但我们将它们统一为“患者”的概念。因为“患者”与我们对概念本身的语义理解是共享的，它有助于我们处理和理解数据。D_DIKWP资源映射如图1(a)所示。

2) P_DIKWP资源映射：意图是一个二进制，包含输入和输出组件。意图的输入和输出是DIKWP内容。意图代表了我们对现象或问题的理解（输入），以及通过处理和解决现象或问题而希望实现的目标（输出）。在处理P_DIKWP时，DIKWP-ACDS根据其预定义的目标（输出）处理输入的DIKWP内容，并通过学习和适应将其输出收敛到预定义的目标。P_DIKWP资源映射如图1(b)所示。

3) I_DIKWP资源映射：信息对应于“不同”语义的认知表达。信息是指我们通过感官和观察获取的关于环境或对象的知识或数据。在处理I_DIKWP时，我们识别和分类输入D_DIKWP中的内在差异。同样，虽然我们对“患者”的概念进行了标准化，但不同的患者携带着不同的信息。信息的数量根据患者表达自己的方式而异。I_DIKWP资源映射如图1(c)所示。

4) K_DIKWP资源映射：知识对应于认知中“完整”的语义含义。知识是我们通过信息获取的对世界的理解和解释。在处理K_DIKWP时，我们通过观察和学习抽象概念或模式。例如，通过学习，我们知道红斑狼疮的症状通过皮肤表现出来。我们收集大量信息并总结它，以完全理解红斑狼疮的概念。医学知识的积累和更新有助于医生提高患者诊断的效率。K_DIKWP资源映射如图1(d)所示。

5) W_DIKWP资源映射：智慧对应于伦理道德、社会道德和人性方面的信息。智慧是知识和信息的理解、综合和应用。在处理W_DIKWP时，我们整合信息并用它来指导决策。在医学领域面临决策问题时，我们考虑伦理、道德和可行性等各个方面，而不仅仅是技术或效率。智慧有助于确保患者的最大利益。W_DIKWP资源映射如图1(e)所示。

DIKWP模型五种资源（D_DIKWP、I_DIKWP、K_DIKWP、W_DIKWP、P_DIKWP）之间紧密联系，相辅相成，不断进行自我整合和跨

图1 DIKWP资源映射

跨模态融合。通过意识与潜意识模型捕获DIKWP模型的五种资源。在意图资源的驱动下，任何两种资源类型的组合都会导致跨模态融合和转换，从而合并扩充DIKWP资源。我们用节点表示的原始资源类型会发生变化，包括节点状态、类型和资源结构。

不确定性情况包含的不完整、不一致、不精确问题的处理与DIKWP模型在概念空间、认知空间、语义空间的映射预处理在整个调优过程中本质上是一体的，两个优化过程是不可分割的。为了更好的展示利用DIKWP资源解决不完整、不一致、不精确问题，我们将资源的融合转化过程以及后续的DIKWP迁移转化和优化处理单拎出来便于清晰呈现。

考虑到不确定情况下资源类型内部和之间的差异存在于各种DIKWP模块的融合转换过程中（此处提到的融合转换过程是DIKWP模型在概念空间、认知空间、语义空间进一步映射与处理之后的），我们重视模块内和模块间发生的任何转换过程。我们以智慧资源和意图资源间的融合转换为例，W_DIKWP资源和P_DIKWP资源的融合转换过程如图2所示。DIKWP模型融合和转换过程的本质是基于DIKWP元模型的协同建模方法和存在-本质-目的计算与推理。

图2  W_DIKWP资源和P_DIKWP资源的融合转换

以上述医患对话文本内容中W_DIKWP资源和P_DIKWP资源的融合和转换为例。我们将通过正常融合和转换获得的综合DIKWP资源称为DIKWP_Normal，将医生和患者的W_DIKWP资源以及P_DIKWP资源分别表示为W_Doctor、W_Patient、P_Doctor、P_Patient，将融合转换后获得的医生和患者的DIKWP图分别记录为DIKWP_Doctor和DIKWP_Patient。

我们将处理不确定性问题时通过融合转换获得的综合DIKWP图谱、医生的DIKWP图谱和患者的DIKWP图谱标记为DIKWP_Optimize、DIKWP_O−Doctor和DIKWP_O−Patient，并将不确定的情况形式化为U，以上内容正式表达如下。

构建单一主体的DIKWP模型时，在概念空间、语义空间、认知空间预处理后进行不精确、不完整和不一致问题处理会导致使得三个空间的整体更加丰富。当构建涉及两个甚至更多主体的DIKWP模型时，空间整体会呈指数增长，统计、计算、推理、迁移、构建的复杂性也会暴增。确保概念空间、语义空间、认知空间空间的完整性和一致性也是我们DIKWP-ACDS资源优化处理的目标之一。

我们DIKWP-ACDS资源调优处理的整个模型框架图如图5所示。我们首先将医患对话文本映射为DIKWP模型的输入。模型的输出内容分为两种类型。第一种情况下，我们生成正常情况下的DIKWP图谱，即在DIKWP资源融合转换中没有进行优化处理的情况。我们将序列化的意图图谱作为输出。另一种情况是，在DIKWP模型的模块内和模块间发生融合转换过程时，我们执行DIKWP迁移转换和偏差处理，从而生成合并资源的DIKWP图谱。同样，我们将序列化的意图图谱作为输出。最后，我们通过比较每种情况下的序列化意图输出来验证系统有效性。

图3 模型架构

Ⅳ.  MODULE OPTIMIZATION

在DIKWP资源的相互融合和转换过程中，DIKWP迁移转换可以持续完善五种类型的资源，解决不完整性和不精确性问题。DIKWP偏差处理旨在识别并纠正在融合和转换过程中出现的不一致性。因此，处理不确定性是与迁移转换和偏差处理相结合进行的。这两种优化方法的顺序取决于具体的情况和要求。有效解决不完整性和不精确性问题可以扩展DIKWP资源库，而解决不一致性则提升了DIKWP资源库的有效性。此外，在每个模块中进行跨模态转换过程时，处理和解决不一致性、不完整性和不精确性问题将是一个持续的主题。

这些方法的综合应用有助于在概念空间、语义空间、认知空间处理DIKWP资源的不完整性、不精确性和不一致性，从而提高资源相互融合和转换的质量和效率。在不断迭代和优化的过程中，我们可以基于意图驱动进行意图构建、意图形成、意图迁移从而不断改进这些方法，使其更适用于不同类型的资源和应用场景，为DIKWP模型的应用提供更可靠和有效的支持

不确定性处理过程实质上是主观客观化的过程，我们将不完整、不精确、不一致，乃至主观客观融合的数据、信息、知识、智慧和意图转化为完整、精确、一致和客观的DIKWP资源，这是意图驱动融合的结果。主观和客观语义类别的混淆、主观语义的不足客观化、缺失的语义关联、语义不精确性、语义不一致性、概念-语义映射漂移以及语义-概念映射的冗余都会在语义空间构建中引起混淆，无论它们发生在哪种情景下。不确定性问题、迁移转化和偏差处理的解决方案之间的关系如图4所示。

图4 不确定性问题、迁移转化和偏差处理的解决方案之间的关系

在迁移转换过程中，我们使用数学方法如随机抽样和决策分析来解决在DIKWP资源融合和转换过程中出现的不完整性和不精确性问题。通过随机抽样，我们可以从大量的数据中抽取样本，从而更好地理解整体数据的特征，并通过对样本数据进行分析来推断整体数据的性质。决策分析则帮助我们在面对不完整或不精确的数据时，作出更合理的决策，从而更好地处理DIKWP资源的融合和转换过程。我们采用蒙特卡罗方法来模拟多个随机变量之间的交互，即D_DIKWP资源。蒙特卡罗方法通过多次重复随机抽样和模拟来计算随机变量的概率分布，从而更准确地描述数据的特征和性质。我们进一步以节点的形式模拟这些交互在I_DIKWP资源、K_DIKWP资源、W_DIKWP资源和P_DIKWP资源内的表现。在处理过程中，由于我们使用节点来表示D_DIKWP资源，表示数字资源的节点的颜色、结构和资源类型可能会相应发生变化。其他资源同样会经历上述变化。

按照我们描述的处理工作流程，第一步是将医患对话文本内容映射到DIKWP图谱中，如图5所示。以W_DIKWP资源和P_DIKWP资源为例。图6显示了我们通过融合转换方法生成的DIKWP资源。DIKWP迁移转换和偏差处理过程分别如图7和图8所示。我们在整个操作过程中选择了相同的医患对话文本。

图5 医患对话文本映射

在执行DIKWP资源映射过程中，我们的分析基于医患对话的内容。医生和患者的DIKWP资源显示在同一区域。我们逐字将医患对话内容映射到D_DIKWP元素，并用节点表示它们。基于单词和D_DIKWP元素的划分，可以映射P_DIKWP。从图5中我们知道，三个D_DIKWP元素 ”it's not”、”suspect” 和 ”but” (D1) 可以推理出患者的 ”verify”、”inquire” 和 ”possibility” (P1) 目的。"verify" 的 P_DIKWP 是 "inquire"，而 "inquire" 可以得到 "possibility" (P_Order)。

通过D_DIKWP元素、P_DIKWP和词汇组合顺序的组合，我们可以得到I_DIKWP映射。D_DIKWP元素 ”but” 和 ”rash” (D2) 在对话内容中相邻，结合 ”possibility” (P2) 目的，这些D_DIKWP元素可以组合成I_DIKWP (I1)。

通过知识推理和医患咨询的当前对话背景 (D3,I2,I3,P3)，我们可以得知患者的疾病有两种可能性 (I4)：狼疮或皮疹 (K1)。根据已经分析的I_DIKWP(I3)，K_DIKWP(K1,K2)和P_DIKWP(P4)资源，我们可以形成W_DIKWP资源，表达为"相同症状的不同疾病" (W1)。

上述过程使用一组实际对话，分别映射出了五种类型的资源，如图6所示。通过持续的迭代分析和全面映射，可以形成医生和患者之间对话内容的完整DIKWP资源映射。图5和图6为优化DIKWP-ACDS的资源提供了基础。

跨模态融合基于上述描述的初始资源映射对合并资源进行扩展。例如，医生的初始D_DIKWP资源 "outside"、"disc-shaped" 和 "pale" 与医生的初始P_DIKWP资源 "reason" 和 "basis" 可以形成医生的W_DIKWP资源 "怀疑形成的过程"。我们将上述医生的D_DIKWP资源与患者的K_DIKWP资源的相互整合和转化过程称为MC(D_Doctor,P_Patient)。

图6 DIKWP资源融合

患者的初始K_DIKWP资源 "怀疑不是狼疮" 与医生的初始D_DIKWP资源 "是的" 相结合，可以形成I_DIKWP资源 "确实怀疑不是"。同样，我们表示为：MC(D_Doctor,P_Patient)。融合和转换的详细过程如图6所示。我们将模块资源转换表示为MC。对于处理不精确性和不完整性问题，如图7所示。形成I_Doctor资源的DIKWP资源融合和转换的正式表示如下所示。

不完整解决（I_CP）：

对于医患对话文本的三个数据来源 "外部"、"盘状" 和 "苍白"，都使医生怀疑患者的疾病是 "狼疮"，但当存在多个原因时，需要进行权重分析。"盘状" 和 "外部" 都是诊断 "狼疮" 的关键词，我们的决策分析使我们确定了医生对 "苍白" 的最高 "怀疑" 权重。为了为 "怀疑" 提供充分的理论依据，我们需要进一步细化和强调 "苍白"。在医患对话文本中，"但" 与 "苍白" 最相关，需要在 "怀疑" 中补充强调 "苍白" 的重要作用。处理不完整性的上述过程的形式化表示如下，我们将医生的W_DIKWP资源的不完整解决过程定义为 W_Doctor(I_CP)：

不完整性问题出现的原因多种多样。例如，模块内资源的缺乏可能导致患者对疾病的认知停留在症状表现的水平上。患者对医疗史的隐瞒也可能导致医生获取关于患者的不完整I_DIKWP，从而可能导致医生的错误诊断。

不精确解决（I_PR）：

通过我们的分析，我们已经知道 "苍白" 是医生怀疑的最高权重依据。 "苍白" 之所以被怀疑，是因为它对医生的眼睛来说非常难以看清，以至于医生无法直接诊断。因此，医生需要相关的医学检查来辅助判断，我们需要强调 "观察"。疾病症状的表现是 "苍白"，而这对医生的 "眼睛" 是看不见的，这进而导致了医生的 "怀疑"。我们通过指出疾病的原因来增强DIKWP-ACDS的诊断和治疗能力。上述处理不精确性问题的过程I_Doctor(I_PR)形式化表示如下：

我们知道，患者可能不准确地描述他们的疾病，也可能不准确地理解医生的描述。在另一个维度上，不精确也可能指的是在医患交流过程中资源的遗漏。不精确与不完整性相同，它们都需要持续补充和完善资源，但存在根本性差异。

在DIKWP偏差处理过程中，我们采用数据预处理和统计方法来解决不一致性。通过异常检测识别D_DIKWP资源类型中的异常值，并设置阈值。如果D_DIKWP的基本统计指标超过或低于阈值，则被视为异常值。我们采用决策机制来确定是否应该删除D_DIKWP元素。缺失值也是偏差的常见来源，我们使用删除、插值和估计等方法进行清理。此外，我们还通过DIKWP偏差处理来解决其他资源转换中的不一致性。

图7 不完整和不精确问题的解决

不一致解决（I_CS）：

根据医生与患者的对话，医生对患者的问题的回应确实是怀疑患者患有皮疹，而不是红斑狼疮。然而，医生随后对患者说：“你的皮疹从外面看是扁平的。” 这可能会让患者产生误解。患者可能会错误地认为他们患有的疾病确实是皮疹，从而导致初始和随后的回应之间的不一致。在偏差处理之后，“皮疹”一词应更正为D_DIKWP元素“症状”。 正式表达如下，我们将医生的I_DIKWP资源的不一致解决定义为I_Doctor(I_CS)过程：

图8 不一致问题的解决

处理不一致性的过程涉及分析和决策。在相同类型的资源之间会发生冲突，在整合过程中转换不同类型的资源会导致认知偏差，这两种情况都可能影响到医生和患者的认知。

Ⅴ.  MODULE VALIDATION

DIKWP-ACDS的核心是缩小医生和患者之间的认知距离，深入分析医生和患者的意图，帮助医生治疗患者并实现患者满意度。因此，我们选择意图比较来验证DIKWP-ACDS的资源优化效果。意图是人类心智和行为的内在动机，代表着人们在沟通和行动中的目标和意图。意图驱动DIKWP模型解决各种现实世界的问题。正确理解用户主体的意图为问题解决奠定了基础。意图比较验证有助于测试我们模型的泛化能力。我们的模型能够直接分析医患对话文本中的潜在意图更深入地挖掘用户的需求。

意图允许我们根据可观察的状态和内容来识别和评估目标的目意图或倾向，从而更深入地理解和预测目标的下一步行动。在意图排序的过程中，我们首先需要将研究对象的意图要求分解成更简单、更明确的子意图，以满足主体的复杂需求。不确定情形的存在使得我们获取意图、子意图的过程异常模糊，人类行为由大脑意图支配，医患沟通过程是基于医患双方意图展开进行的。沟通过程中产生的困惑与矛盾则是由双方意图不够清晰明确导致的。通过前面过程中在概念空间、语义空间、认知空间基于意图驱动对DIKWP资源映射、优化、转换、处理、迁移、推理可以得到可解释、可靠的意图图谱树，涵盖了意图和子意图之间的复杂包含关系，从而由DIKWP-ACDS拉近医患之间的认知距离。

通过P_DIKWP资源映射，我们可以确定相关的意图并构建P_DIKWP结果集。在图9中，我们有了与相关P和P∗的搜索过程的形式化表示。如果P已经有了一个结果集，P∗首先搜索P′在P′’的结果集中，从而构建自己的结果集。

图9 意图排序

通过这种搜索方法，在DIKWP资源图谱中，基于P∗结果集中已经存在的节点和关系进行快速的扩展搜索，减少了意图搜索空间，提高了搜索效率。我们确保了意图排序结果的有效性和重要性。

意图分析是自动化决策过程的关键部分，它基于目标的可观察状态和内容来识别和确定目标的意图倾向，并进一步理解和预测目标的下一步行为。我们通过将意图与价值判断期望的排序进行比较来验证展示DIKWP-ACDS的优化效果。以先前选择的映射对话内容为例，我们展示了资源优化前后目的的比较验证，如图10所示。

DIKWP模型中意图的比较验证需要在多个维度上进行。对多组意图进行比较验证涉及到空间尺度、拓扑结构、计算复杂性、处理性能和个体互动等方面。由多组目意图相互关联形成的不同维度和特征不利于我们的目

图10 P_DIKWP资源的对比验证

意图比较验证。因此，我们需要通过分割将多组意图分解成单一组意图。

对单一组意图的比较是基于语义进行价值判断。在给定的场景中，我们制定价值判断的标准。意图资源的对比客观来讲是从DIKWP模型的角度出发对比，完整的意图体系、清晰的意图路径是对比的基础，意图空间的构建是我们进行DIKWP-ACDS调优的目标之一。我们旨在提高医患交互效率包括医生的问诊时间效率、患者的满意度、患者对治疗方案的接受度和理解度等等，这些都可以作为DIKWP-ACDS资源调优的验证评判指标。基于意识和潜意识模型进一步优化DIKWP模型是意图空间构建的基石，意识与潜意识之间的区别和联系，作为心理活动的两个核心层面，对于意图资源的形成与映射过程提供了不可或缺且具有客观依据的理解框架。

CONCLUSION

我们讨论了在DIKWP-ACDS的跨模态资源融合和转换过程中解决不确定性的解决方案，实现了复杂场景下DIKWP多模态资源类型的融合。在概念描述之后，通过模型定义和模块构建阐明了DIKWP-ACDS的优化过程。在优化过程中，通过在概念空间、语义空间、认知空间的DIKWP资源映射与预处理后进行DIKWP迁移转换和偏差处理解决DIKWP资源模块内和模块间融合和转换过程中的不完整性、不精确性和不一致性等问题。我们提高了在复杂场景中推理的准确性，实现了更精确的智能预测和决策。全文先分析了DIKWP-ACDS在正常条件下的资源映射和融合转换过程，然后进行优化处理解决了不完整性、不准确性和不一致性等问题，最后基于意图驱动进行意图排序和比较验证，全面描述DIKWP-ACDS资源优化在医疗诊断和个性化治疗领域的贡献。

ACKNOWLEDGMENT

Hainan Provincial Projects (No.ZDYF2022GXJS010, No.Hnjg2021ZD-3, No.620RC561, No.SCSF202210 and No.SQ2023WSJK0153). *refers to the corresponding author.

[1] Duan Y. Relativity of Consciousness and DIKWP. August 2023, DOI: 10.13140/RG.2.2.36142.89922.

[2] Lake B.M, Baroni M. Human-like systematic generalization through a meta learning neural network. Nature, 2023, DOI:10.1038/s41586-023-06668-3.

[3] He S, Offerman T, Van De Ven J. The sources of the communication gap[J]. Management Science, 2017, 63(9): 2832-2846.

[4] Yau C, Karimzadeh M, Surakitbanharn C, et al. Bridging the Data Analysis Communication Gap Utilizing a Three-Component Summarized Line Graph[J]. Computer Graphics Forum, 2019, 38(3): 375-386.

[5] Sultan P, Tarafder T, Pearson D, et al. Intention-behaviour gap and perceived behavioral control-behaviour gap in the theory of planned behavior: Moderating roles of communication, satisfaction, and trust in organic food consumption[J]. Food Quality and Preference, 2020, 81: 103838.

[6] Pai A A, Maheshwari K, Hindocha S. Bridging the Gap–A Traffic Light System to Ease Communication Amongst Surgeons, Hand Therapists and Patients[J]. The Journal of Hand Surgery, 2022, 27(6): 1071-1074.

[7] Campbell C M, Henderson K S. Bridging the gap between clients and public defenders: Introducing a structured shadow method to examine attorney commu nication[J]. Justice System Journal, 2022, 43(1): 26-52.

[8] Gao H, Duan Y, Shao L, et al. Transformation-based processing of typed resources for multimedia sources in the IoT environment[J]. Wireless Networks, 2021, 27: 3377-3393.

[9] Duan Y, Shao L, Hu G. Specifying Knowledge Graph with Data Graph, Informa tion Graph, Knowledge Graph, and Wisdom Graph[J]. IJSI, 2018, 6(2): 10-25.

[10] Duan Y, Sun X, Che H, et al. Modeling data, information, and knowledge for security protection of hybrid IoT and edge resources[J]. IEEE Access, 2019, 7: 99161-99176.

[11] Duan Y. Grammar of DIKWP Language: An In-Depth Analysis from Linguistics to Semantic Cognition. October 2023, DOI: 10.13140/RG.2.2.17513.47206.

[12] Duan Y. Purpose Driven DIKWP Resource Transformation and Process ing: A New Dimension of Digital Governance. September 2023, DOI: 10.13140/RG.2.2.29921.07529.

[13] Duan Y. Bridging the Gap between Purpose-Driven Frameworks and Artificial General Intelligence[J]. Applied Sciences, 2023, 13(19):10747.

[14] Duan Y. Enhancing Existing Creative Evaluation Systems: Applying the DIKWP Model. September 2023, DOI: 10.13140/RG.2.2.21297.35683.

[15] Wu K, Duan Y, Chen L, et al. Computer Architecture and Chip Design for DIKWP Artificial Consciousness. DIKW, 2023.

[16] Chen Y, Nazhamaiti M, Xu H, et al. All-analog photoelectronic chip for high-speed vision tasks. Nature, 2023, DOI:10.1038/s41586-023-06558-8.

[17] Tang F, Duan Y, Wei J, et al. DIKWP Artificial Consciousness WhiteBox Measurement Standards Framework Design and Practice. DIKW, 2023.

[18] Duan Y. Existence Computation and Reasoning(EXCR) and Essence Computation and Reasoning(ESCR) based revelation of the semantics of point, line and plane. February 2022, DOI:10.13140/RG.2.2.32383.89767.

[19] Duan Y. Uncertainty Processing: What is Objectification of Subjective Content AND Why we need the Transformation from Subjective to Objective? April 2022, DOI:10.13140/RG.2.2.27125.45280.

[20] Huang Y, Duan Y. Research on Credible, Reliable and Responsible Intelligent Form Filling Modeling and Verification Based on DIKWP. May 2023, DOI: 10.13140/RG.2.2.27069.03045.

[21]段玉聪. DIKWP在实现概念空间到语义空间转化中的作用与功效[EB/OL]. 2023.https://blog.sciencenet.cn/blog-3429562-1413198.-html.

[22] 段玉聪. 语义数学：从概念空间到语义空间的转化[EB/OL]. 2023.https://blog.sciencenet.cn/blog-3429562-1414667.html.

[23] 段玉聪.（摘要）语义通信：从概念空间到语义空间再到人工意识处理[EB/OL]. 2023.https://blog.sciencenet.cn/blog-3429562-1424026.html