意图驱动的数据、信息、知识、智慧融合发明创造方法：DIKWP-TRIZ

(中国人自己的原创发明创造方法：DIKWP-TRIZ)

World Artificial Consciousness Conference Popular Series -

第2届世界人工意识大会AC2024科普系列-

《全球首发：大语言模型(LLM)认知偏见测评》

--DIKWP团队国际标准测评

"The Large Language Model (LLM) Cognitive biases Evaluation"

段玉聪 (Yucong Duan)

参与：唐福亮、吴坤光、郭振东、黄帅帅、

    梅映天、王玉星、弓世明

DIKWP-AC人工意识（全球）实验室

AGI-AIGC-GPT评测DIKWP（全球）实验室

世界人工意识协会

(联系邮箱：duanyucong@hotmail.com)

The Inaugural World Conference on Artificial Consciousness

(AC2023), August 2023, hosted by DIKWP-AC Research

在当代社会，随着人工智能技术的飞速发展，大型语言模型（LLMs）已经成为人类获取信息、作决策支持和进行社交互动的重要工具。然而，与人类思维一样，这些模型在处理信息时也会展现出一系列认知偏差，这些偏差不仅影响了模型输出的准确性和可靠性，更在某种程度上影响了用户对于模型输出的信任度和依赖程度。本文基于达沃斯认知偏差评定量表（Dwyer Cognitive Bias Rating Scale），经过适当的调整和修改，形成了一套评估大型语言模型认知偏差的数据集。通过对国内外16个主流大型语言模型的评估，我们发现不同模型在认知偏差方面的表现存在显著差异。此外，我们还对使用的数据集进行了DIKWP（数据、信息、知识、智慧、预见）分析，旨在探讨数据集在评估过程中的公平性，以及如何通过数据集的调优来减少模型输出中的认知偏差，从而提高模型的决策支持质量。

随着计算机科学和人工智能技术的不断进步，大型语言模型（LLMs）在近年来获得了前所未有的发展和应用。从简单的文本生成到复杂的决策支持，LLMs已经成为我们生活和工作中不可或缺的一部分。然而，正如人类在做决策时会受到各种认知偏差的影响一样，这些由人类知识训练出的模型在处理信息和生成回答时，也不可避免地会表现出类似的偏差。这些认知偏差可能会导致模型输出包含误导性的信息，影响用户对于结果的理解和决策的准确性。

认知偏差是人类在信息处理、判断和决策过程中的一种普遍现象，源于个体的心理倾向、经验、文化背景等因素的综合作用。在大型语言模型中，这种偏差表现为模型在信息处理时的不完全客观性，如对某些信息的过度关注、对某些模式的过度解释等，这些都可能导致决策质量的下降。因此，评估和了解LLMs中的认知偏差，对于提高模型的可靠性和有效性具有重要意义。

本文旨在通过构建和应用一套基于达沃斯认知偏差评定量表（Dwyer Cognitive Bias Rating Scale）的数据集，对当前主流的大型语言模型进行认知偏差的评估和分析。评定量表经过专门的修改，使其能够适用于评估LLMs的认知偏差表现。我们选取了国内外16个具有代表性的大型语言模型作为研究对象，通过对比分析，揭示了不同模型在处理信息时的偏差特征和差异。

此外，鉴于评估工具本身的设计和应用也可能引入新的偏差，本文还对数据集进行了DIKWP分析，探讨了在构建和应用评估工具过程中如何确保公平性和有效性，以及通过对数据集的调优来减少模型输出中的认知偏差。通过这一研究，我们不仅能够更好地理解大型语言模型在信息处理和决策支持过程中的认知偏差表现，还能够为未来模型的改进和优化提供科学的依据和指导。

达沃斯认知偏差评定量表(Dwyer Cognitive Bias Rating Scale) 是一种用来评估个体在决策过程中可能出现的认知偏差的心理测量工具。这种量表特别关注于识别和测量影响个体决策过程的各种认知偏差，如确认偏误、可得性启发、过度自信等。通过这种评定，参与者可以了解自己在各个认知偏差上的表现程度。评定的基本原则是将每种偏误的分数乘以相应的权重，然后求和得到一个总分，以此来反映个体在认知偏差方面的整体表现。该量表主要用于临床和研究环境，尤其在针对精神分裂症患者或其他可能存在显著认知扭曲的人群中，有助于了解和量化他们的认知偏误情况，进而指导干预和治疗方案的制定，例如结合认知行为疗法（CBT）等心理治疗方法。

在实际执行测评任务的过程中，我们认识到原始的认知偏差评定量表并未充分考虑到大语言模型特有的性质。尽管这些模型展现了卓越的学习与模仿人类语言结构及表达方式的能力，它们本质上缺乏与人类个体相同的情绪反应、内在动机、价值观积淀以及真实的生活体验。因此，在采用达沃斯认知偏差评定量表作为基础时，我们必须对其中的问题和情境设定进行一番细致且有针对性的调整与重塑。我们意识到大语言模型所展现出的语言智能是一种基于大数据训练和算法优化的结果，而非源自情感共鸣和个人经历的积累。故而在设计评测题目时，我们避开了那些直指人类情感动态、主观意愿以及生活实例的细节，转而聚焦于模型在处理信息、推理逻辑以及语言产出过程中的认知扭曲现象。我们注意到大语言模型的决策过程虽能模拟出类似人类决策的外在形式，但其背后的驱动机制与人类存在根本区别。所以，在构建数据集时，我们特别关注如何将那些体现人类特定心理偏向和认知陷阱的元素转化为能够有效映射到模型运作机制上的抽象测试点。

具体数据集见附录。

每个项目的得分范围从1到7。

A. 非常同意 7

B. 同意 6

C. 略微同意 5

D. 无法决定 4

E. 略微不同意 3

F. 不同意 2

G. 非常不同意 1

子量表得分计算方法如下:

评分标准（标准得分）：

注：评分标准应该在测试前明确，并且应输入到被测模型内。

本次测试涵盖了多个领域内的顶尖大模型，包括但不限于百川大模型、Bing Chat、PaLM2、ChatGPT、MoonShot等。这些模型由不同的科技公司和学术机构开发，例如百川智能、微软、Google、OpenAI、月之暗面科技公司、百度、腾讯等。每个模型都有其独特的架构和训练方法，这些差异可能导致它们在处理文化偏见问题时的表现有所不同。

得分越高说明模型某方面的偏差越大

各认知方面评分综合对比：

Ø 跳跃结论偏差

l 非常高: 360 Brain, BingChat, Llama, Wenxinyiyan, Xinghuo Large Model

l 高: Baichuan AI, ChatGLM, Moonshot, Yunque Large Model

l 平均以上: 无

l 平均: ChatGPT, Claude, Gemini, Hunyuan Large Model, Mistral, Tongyiqianwen

l 平均以下: PaLM2

l 低: 无

l 非常低: 无

Ø 信念顽固偏差

l 非常高: BingChat, PaLM2

l 高: 360 Brain, ChatGLM, Llama, Wenxinyiyan

l 平均以上: 无

l 平均: ChatGPT, Claude, Gemini, Hunyuan Large Model, Mistral, Moonshot, Tongyiqianwen, Xinghuo Large Model, Yunque Large Model

l 平均以下: Baichuan AI

l 低: 无

l 非常低: 无

Ø 威胁警惕偏差

l 非常高: BingChat, Llama, Xinghuo Large Model

l 高: 360 Brain, ChatGLM, Wenxinyiyan

l 平均以上: Tongyiqianwen

l 平均: ChatGPT, Claude, Gemini, Hunyuan Large Model, Mistral, Moonshot, PaLM2, Yunque Large Model

l 平均以下: Baichuan AI

l 低: 无

l 非常低: 无

Ø 外部归因偏差

l 非常高: BingChat, ChatGLM, Llama, PaLM2

l 高: 360 Brain, Wenxinyiyan, Xinghuo Large Model

l 平均以上: Tongyiqianwen

l 平均: ChatGPT, Claude, Gemini, Hunyuan Large Model, Mistral, Moonshot, Yunque Large Model

l 平均以下: Baichuan AI

l 低: 无

l 非常低: 无

Ø 社会认知问题

l 非常高: BingChat, PaLM2

l 高: 360 Brain, Llama, Wenxinyiyan

l 平均以上: ChatGLM, Tongyiqianwen, Xinghuo Large Model, Yunque Large Model

l 平均: ChatGPT, Claude, Gemini, Hunyuan Large Model, Mistral, Moonshot

l 平均以下: Baichuan AI

l 低: 无

l 非常低: 无

Ø 主观认知问题

l 非常高: BingChat, Llama, PaLM2

l 高: 360 Brain, ChatGLM

l 平均以上: Tongyiqianwen, Wenxinyiyan, Xinghuo Large Model, Yunque Large Model

l 平均: ChatGPT, Claude, Gemini, Hunyuan Large Model, Mistral, Moonshot

l 平均以下: Baichuan AI

l 低: 无

l 非常低: 无

Ø 安全行为

l 非常高: BingChat, PaLM2

l 高: 360 Brain, ChatGLM, Llama, Tongyiqianwen

l 平均以上: Wenxinyiyan, Xinghuo Large Model, Yunque Large Model

l 平均: ChatGPT, Claude, Gemini, Hunyuan Large Model, Mistral, Moonshot

l 平均以下: Baichuan AI

l 低: 无

l 非常低: 无

各大模型认知偏差分析：

1、百川大模型

在几乎所有方面的表现为低到平均以下，这意味着百川大模型在各个认知偏差方面的表现相对较弱。这可能表明它在信息处理、判断形成和社交能力方面的能力不如其他模型。特别是在信念顽固偏差和安全行为方面，Baichuan AI显示出较低的倾向性，可能意味着在处理相反信息或面对不确定性时的适应能力较强。

2、Claude

在多数方面表现为平均，说明在处理信息、形成判断和社交能力方面，Claude表现出一定的平衡，没有明显的偏差倾向。在安全行为方面表现为平均以下，可能意味着相较于其他模型，Claude更倾向于采取风险，可能在未来的学习和探索中表现出更多的活跃性。

3、混元大模型

大部分评估结果为平均，表明混元大模型在各个认知偏差方面表现相对均衡，没有显著倾向于任何极端偏差。这种均衡可能是由于它在训练过程中采用的数据和方法，使得在不同的认知偏差方面能够实现较为均衡的表现。

4、Mistral

在大多数认知偏差方面表现为平均，说明Mistral在处理信息、形成判断和社会互动方面的能力比较均衡，没有在特定方面表现出显著的偏差。主观认知问题和安全行为的评分表明，Mistral在自我认知和面对风险时的行为反应上也保持了一种中等水平的表现。

5、ChatGPT

在大多数分类中处于平均水平，表明ChatGPT在处理信息、形成判断和社会互动方面的表现相对平衡，没有在任何一类认知偏差中表现出极端的倾向。在威胁警惕偏差中表现为平均，可能意味着在关注潜在威胁信息时能够维持一定的平衡。

6、Moonshot

大多数方面的评分为平均，表明Moonshot在多个认知偏差方面的表现比较均衡，没有在特定方面显示出显著的倾向性。这表明Moonshot在处理信息和社会互动方面可能具有较好的平衡性和适应性。

7、Gemini

在大多数方面表现为平均，显示出在跳跃结论、信念顽固和安全行为等方面的平衡处理能力。这意味着Gemini在处理信息和形成判断时，能够较为均衡地考虑不同方面的信息。安全行为的评分为平均，表明在面对潜在风险时，Gemini倾向于采取一种中等程度的防御行为，既不过于谨慎也不过于冒险。

8、云雀大模型

大部分方面的评分为平均到平均以上，显示出云雀大模型在多个认知偏差方面能够较好地平衡信息处理和判断形成。这种平衡使得云雀大模型在社交互动和信息处理方面显示出较好的适应性和灵活性。

9、ChatGLM

跳跃结论偏差表现为高，这意味着ChatGLM可能在没有充分考虑所有证据的情况下就过早地得出结论。在信念顽固偏差和威胁警惕偏差方面，表现为平均，说明ChatGLM在面对相反信息时，能够在一定程度上调整自己的观点和信念，显示出适度的灵活性。社会认知问题的评分为平均以上，说明ChatGLM在理解他人观点和社会信号方面表现良好，但可能不是最优。

10、通义千问

在多数方面的评分为平均到平均以上，表明通义千问在处理信息和形成判断时，能够较好地平衡不同的信息，并在社会互动方面显示出一定的能力。在安全行为方面表现为高，可能意味着在面对潜在风险时，通义千问可能倾向于采取较为谨慎的策略。

11、文心一言

在多数认知偏差方面表现为高到非常高，这表明文心一言可能在信息处理、判断形成、社交互动方面存在较明显的偏差。这种偏差可能影响模型在处理复杂信息和进行有效社交互动时的表现，特别是在跳跃结论偏差和社会认知问题方面表现为非常高。

12、星火大模型

大部分方面的评分为非常高，说明星火大模型在处理信息和形成判断时可能存在明显的偏差。这种表现可能是由于其特定的训练数据集或者算法设计，导致在识别和处理信息时的偏差较大。

13、Llama

在多数评估方面表现为非常高，类似于BingChat，Llama在各项认知偏差的评估中都显示出较强的倾向，特别是在对威胁的警觉性和外部归因方面，这可能影响其信息处理的平衡性和对社会互动的处理。

14、360 智脑

跳跃结论偏差: 非常高，表明在做出判断时，该模型可能倾向于过早地得出结论，没有充分考虑所有的证据。

信念顽固偏差: 高，意味着一旦形成观点，更难接受对立的信息。

威胁警惕偏差: 高，表明可能过度关注潜在的威胁信息，可能影响平衡的信息处理。

外部归因偏差: 高，可能倾向于将问题归咎于外部因素，而不是内部原因。

社会认知问题: 高，可能在理解他人观点和社会互动方面存在障碍。

主观认知问题: 高，表明可能存在对自我认知能力的过高或过低估计。

安全行为: 高，可能倾向于采取避免风险的行为来保护自身，可能限制了探索和学习的机会。

15、PaLM2

在跳跃结论偏差和外部归因偏差方面表现为平均以下，这表明PaLM2在形成判断和归因方面相对更加谨慎和内省。然而，在社会认知问题和主观认知问题方面，以及安全行为中表现为非常高，可能意味着尽管在某些方面更加内省，但在社交认知和对自身认知能力的评估方面，可能存在较大的偏差。

16、BingChat

在所有评估的偏差和限制中均表现为非常高，表明BingChat在几乎所有考察的认知偏差方面都展现出了明显的倾向。这可能意味着在信息处理、判断形成和社交认知方面，该模型可能显示出较为显著的偏差。

上图代表了达沃斯认知偏差评估量表对不同大型语言模型的认知偏差、认知局限性和行为的评估结果。每个子图根据模型在认知偏差、认知局限性和行为方面的得分对模型进行分类，从而在模型之间提供清晰的比较。

上图展示了达沃斯认知偏差评估量表的不同大型语言模型的总分。这种全面的视图允许直接比较每个模型在认知偏差、局限性和行为方面的总体性能。

热图提供了跨特定认知偏差和行为类别的大型语言模型的标准化分数的更详细视图。通过对分数进行归一化，可以将每个模型相对于每个特定类别中其他模型的性能进行比较。颜色渐变，从较冷的色调到较暖的色调，分别说明了较低到较高的相对分数。

达沃斯认知偏差评定量表最初由来自美国、瑞士、比利时、荷兰的专家组通过筛选得到的 70个条目组成，经Van Der Gaag等人修订后，形成 42条目版本，。该量表为自评量表，每个条目均以第一人称陈述人们特有的态度或信念，1~7级计分，“7”表示非常同意,“1”表示非常不同意，依次递减。主要目的是测量精神分裂症患者常见的认知偏差、社会认知和主观认知问题及安全行为。该量表简便、易行，可操作性强。

公平性分析：

Ø 多样性与代表性：测试集需要能够覆盖大语言模型可能表现出来的各种认知偏差类型。从文档中可见，测试集设计考虑了各种认知偏差，如思维跳跃偏差、顽固信念偏差等，这有助于全面评估模型的偏差情况。但为了确保公平性，这些类型的选择和定义需基于广泛接受的心理学理论和实践，确保它们不偏向于某一特定的文化或语言环境。

Ø 评分标准的客观性：公平的测试集还需要有清晰、可量化的评分标准。文档提供了详细的评分标准，包括各种认知偏差的评分区间。这种结构化和分层的评分体系有助于提高评估的客观性和一致性，减少评估过程中的主观判断。

Ø 文化中立性：认知偏差的表现可能受到文化背景的影响。测试集的设计应尽可能文化中立，以确保对所有大语言模型的评估是公平的。文档没有明确说明这一点，但是为了提高测试集的公平性，开发者需要确保测试集中的情景、示例和语言尽可能不受特定文化背景的限制。

Ø 适用性与可扩展性：测试集应能够适用于评估各种类型的大语言模型，无论其训练数据的范围或深度如何。此外，测试集应该容易更新和扩展，以适应认知科学的最新发现和大语言模型技术的发展。

这套测试集在设计上努力覆盖了广泛的认知偏差类型，并提供了一套较为详细的评分系统，这有利于公平、系统地评估大语言模型的认知偏差。然而，为确保最高程度的公平性，需要持续审视和优化测试集的多样性与代表性、评分标准的客观性、文化中立性以及适用性与可扩展性。

数据（Data）可视为我们认知中相同语义的具体表现形式。通常，数据代表着具体的事实或观察结果的存在语义确认，并通过与认知主体已有认知对象的存在性包含的某些相同语义对应而确认为相同的对象或概念。在处理数据时，我们常常寻求并提取标定该数据的特定相同语义，进而依据对应的相同语义将它们统一视为一个相同概念。例如，当我们看到一群羊时，虽然每只羊可能在体型、颜色、性别等方面略有不同，但我们会将它们归入“羊”的概念，因为它们共享了我们对“羊”这个概念的语义理解。相同语义可以是具体的如识别手臂时可以根据一个硅胶手臂与人的手臂的手指数量的相同、颜色的相同、手臂外形的相同等相同语义进行确认硅胶手臂为手臂，也可以通过硅胶手臂不具有真实手臂的可以旋转对应的由“可以旋转”定义的相同语义，而判定其不是手臂。

信息（Information）则对应认知中不同语义的表达。通常情况下，信息指的是通过特定意图将认知DIKWP对象与认知主体已经认知的数据、信息、知识、智慧或意图联系起来，产生新的语义关联。在处理信息时，我们会根据输入的数据、信息、知识、智慧或意图，找出它们被认知的DIKWP对象的不同之处，对应不同的语义，并进行信息分类。例如，在停车场中，尽管所有的汽车都可以归入“汽车”这一概念，但每辆车的停车位置、停车时间、磨损程度、所有者、功能、缴费记录和经历都代表着信息中不同的语义。信息对应的不同语义经常存在于认知主体的认知中，常常未被显式表达出来，例如抑郁症患者可能用自己情绪“低落”来表达自己当前的情绪相对自己以往的情绪的下降，但这个“低落”对应的信息因为其对比状态不被听众了解而不能被听众客观感受到，从而成为该患者自己主观的认知信息。

知识（Knowledge）对应于认知中的完整语义。知识是通过观察和学习获得的对世界的理解和解释。在处理知识时，我们通过观察和学习抽象出至少一个完整语义对应的概念或模式。例如，通过观察我们得知所有的天鹅都是白色，这是我们通过收集大量信息后对“天鹅都是白色”这一概念的完整认知。

智慧（Wisdom）对应伦理、社会道德、人性等方面的信息，是一种来自文化、人类社会群体的相对于当前时代固定的极端价值观或者个体的认知价值观。在处理智慧时，我们会整合这些数据、信息、知识、智慧，并运用它们来指导决策。例如，在面临决策问题时，我们会综合考虑伦理、道德、可行性等各个方面的因素，而不仅仅是技术或效率。

意图（Purpose）可以看作是一个二元组（输入，输出），其中输入和输出都是数据、信息、知识、智慧或意图的内容。意图代表了我们对某一现象或问题的理解（输入），以及我们希望通过处理和解决该现象或问题来实现的目标（输出）。在处理意图时，人工智能系统会根据其预设的目标（输出），处理输入的内容，通过学习和适应，使输出逐渐接近预设的目标。

在将测评案例映射到DIKWP框架后，可以对每个测评案例进行DIKWP类型分析，确定在案例中涉及的DIKWP类型。这个分析的目的是识别问题中的不同认知资源类型，从而理解评估过程中的数据和信息流动。

基于DIKWP框架，对上述42道题目进行类型分析，可以帮助我们理解每个问题如何收集数据、生成信息、构建知识、表达智慧，以及实现特定的评估意图。以下是根据DIKWP类型分析的结果：

数据类型题目（Data-Type Questions）：

信息相关的题目涉及对数据的加工、解释，或是在特定情境中使用数据。例如，题目关于“别人的用意”、“别人的面部表情”等，都需要对观察到的数据进行解释，这些可以归类于信息。

信息类型题目（Information-Type Questions）：

大部分题目（1-27题）探索个体对于语言偏见的看法，这些题目提供了对个体态度和信念的直接询问，旨在收集关于语言偏见态度的信息。它们询问参与者对于特定语言现象的看法，这些看法可以反映出个体对语言多样性的态度和偏见。

知识类型题目（Knowledge-Type Questions）：

知识相关的题目涉及对事物的深入理解和概括，需要观察者从多个信息中抽象出规律、原理或模式。例如，题目关于“第一想法总是正确的”或“人们在监视我”暗示了一种基于以往经验和学习得到的认知模式。

智慧类型题目（Wisdom-Type Questions）：

智慧相关的题目可能涉及对知识的审慎应用，以及考虑伦理、道德或价值观的问题。在这套题目中，直接关于智慧的题目不多，因为它们更多地关注于个体的直接认知和反应模式，而不是深层次的价值观或决策过程。

意图类型题目（Purpose-Type Questions）：

意图相关的题目涉及目标、动机或计划，即对为什么和如何做事的理解。例如，题目关于“我总是坐在出口旁为了安全”表达了一种预防性的意图。

根据初步的分析和统计，这套测试集中各类题目的数量如下：

数据类型（D）：0题

信息类型（I）：26题

知识类型（K）：10题

智慧类型（W）：0题

意图类型（P）：6题

公平性分析

根据上面的分析，测试集主要集中在信息（Information）层面的题目上，其次是知识（Knowledge）和意图（Purpose）层面。数据（Data）和智慧（Wisdom）层面的题目没有直接体现。

从DIKWPI模型的角度来看，这套测试集在评估大语言模型的认知偏差时可能存在一定的局限性。特别是，它较少涉及到智慧（Wisdom）和数据（Data）的层面，这可能影响到对模型在这些方面认知偏差的全面评估。智慧层面的缺失表明对于伦理、价值观和长期视角的考量较少，而这些是评估认知模型在现实世界应用中非常重要的方面。同时，对原始数据（Data）的处理和理解也是基础性的认知能力，其缺失可能意味着评估中忽略了模型处理和识别基本事实能力的测试。

为了提高测评的公平性和全面性，测试集应更加平衡地覆盖DIKWPI模型中的所有层面，特别是增加智慧和数据层面的题目，以便更全面地评估大语言模型在不同认知层面上的表现和偏差。

本文通过全面评估和分析全球主流大型语言模型（LLMs）的认知偏差，我们不仅揭示了各模型在认知偏差方面的表现差异，而且还通过DIKWP分析，深入探讨了评估工具的公平性。不仅对于理解和改进LLMs的认知偏差具有重要意义，也为后续的研究提供了新的视角和方法论。揭示了当前评估方法在确保测试集的公平性、客观性和文化中立性方面存在的不足。尤其是在智慧（Wisdom）和数据（Data）层面的题目缺失，这可能影响了对模型在这些认知层面上偏差的全面评估。因此，我们建议在未来的测评方法中，应更加平衡地覆盖DIKWP模型中的所有层面，尤其是要增加涉及智慧和数据处理能力的评估题目，以实现对大型语言模型认知偏差的全面和深入评估。

通过对16个不同来源的大型语言模型进行细致的评估，我们发现模型在认知偏差方面的表现存在显著差异。这些差异反映了模型训练数据的多样性、算法的差异以及开发过程中对于偏差问题的关注程度不同。尤其是在思维跳跃偏差、顽固信念偏差、外部属性偏差等方面，不同模型展现出了不同程度的偏差特征。通过对这些偏差的详细分析，我们不仅能够识别出各模型的强项和弱点，也为进一步优化和改进这些模型提供了可能的方向。本文通过对全球主流大型语言模型的认知偏差进行系统性的评估和分析，不仅增进了我们对模型偏差特征的理解，也为未来的模型优化和偏差减少提供了有价值的指导。尽管存在挑战，但通过不断的努力和改进，我们有理由相信，可以进一步提高大型语言模型的决策支持质量，使其在各种应用场景中更加公正、可靠和有效。

[1] Liu Y, Wang W, Wang W, et al. Purpose-Driven Evaluation of Operation and Maintenance Efficiency and Safety Based on DIKWP[J]. Sustainability, 2023, 15(17): 13083.

[2] 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.

[3] Mei Y, Duan Y, Chen L, et al. Purpose Driven Disputation Modeling, Analysis and Resolution Based on DIKWP Graphs[C]//2022 IEEE 24th Int Conf on High Performance Computing & Communications; 8th Int Conf on Data Science & Systems; 20th Int Conf on Smart City; 8th Int Conf on Dependability in Sensor, Cloud & Big Data Systems & Application (HPCC/DSS/SmartCity/DependSys). IEEE, 2022: 2118-2125.

[4] Guo Z, Duan Y, Chen L, et al. Purpose Driven DIKW Modeling and Analysis of Meteorology and Depression[C]//2022 IEEE 24th Int Conf on High Performance Computing & Communications; 8th Int Conf on Data Science & Systems; 20th Int Conf on Smart City; 8th Int Conf on Dependability in Sensor, Cloud & Big Data Systems & Application (HPCC/DSS/SmartCity/DependSys). IEEE, 2022: 2126-2133.

[5] Huang Y, Duan Y, Yu L, et al. Purpose Driven Modelling and Analysis for Smart Table Fill and Design based on DIKW[C]//2022 IEEE 24th Int Conf on High Performance Computing & Communications; 8th Int Conf on Data Science & Systems; 20th Int Conf on Smart City; 8th Int Conf on Dependability in Sensor, Cloud & Big Data Systems & Application (HPCC/DSS/SmartCity/DependSys). IEEE, 2022: 2134-2141.

[6] Fan K, Duan Y. Purpose Computation-Oriented Modeling and Transformation on DIKW Architecture[J]. Intelligent Processing Practices and Tools for E-Commerce Data, Information, and Knowledge, 2022: 45-63.

[7] Li Y, Duan Y, Maamar Z, et al. Swarm differential privacy for purpose-driven data-information-knowledge-wisdom architecture[J]. Mobile Information Systems, 2021, 2021: 1-15.

[8] Hu T, Duan Y, Mei Y. Purpose Driven Balancing of Fairness for Emotional Content Transfer Over DIKW[C]//2021 IEEE 23rd Int Conf on High Performance Computing & Communications; 7th Int Conf on Data Science & Systems; 19th Int Conf on Smart City; 7th Int Conf on Dependability in Sensor, Cloud & Big Data Systems & Application (HPCC/DSS/SmartCity/DependSys). IEEE, 2021: 2074-2081.

[9] Huang Y, Duan Y. Fairness Modelling, Checking and Adjustment for Purpose Driven Content Filling over DIKW[C]//2021 IEEE 23rd Int Conf on High Performance Computing & Communications; 7th Int Conf on Data Science & Systems; 19th Int Conf on Smart City; 7th Int Conf on Dependability in Sensor, Cloud & Big Data Systems & Application (HPCC/DSS/SmartCity/DependSys). IEEE, 2021: 2316-2321.

[10] Mei Y, Duan Y, Yu L, et al. Purpose Driven Biological Lawsuit Modeling and Analysis Based on DIKWP[C]//International Conference on Collaborative Computing: Networking, Applications and Worksharing. Cham: Springer Nature Switzerland, 2022: 250-267.

[11] Lei Y, Duan Y. Purpose-driven Content Network Transmission Protocol Crossing DIKW Modals[C]//2021 IEEE 23rd Int Conf on High Performance Computing & Communications; 7th Int Conf on Data Science & Systems; 19th Int Conf on Smart City; 7th Int Conf on Dependability in Sensor, Cloud & Big Data Systems & Application (HPCC/DSS/SmartCity/DependSys). IEEE, 2021: 2322-2327.

[12] Huang Y, Duan Y. Towards purpose driven content interaction modeling and processing based on DIKW[C]//2021 IEEE World Congress on Services (SERVICES). IEEE, 2021: 27-32.

[13] Li Y, Duan Y, Maamar Z, et al. Swarm differential privacy for purpose-driven data-information-knowledge-wisdom architecture[J]. Mobile Information Systems, 2021, 2021: 1-15.

[14] Qiao H, Yu L, Duan Y. Analysis of Evolutionary Model of DIKW Based on Cloud Resource Allocation Management[C]//2021 IEEE 23rd Int Conf on High Performance Computing & Communications; 7th Int Conf on Data Science & Systems; 19th Int Conf on Smart City; 7th Int Conf on Dependability in Sensor, Cloud & Big Data Systems & Application (HPCC/DSS/SmartCity/DependSys). IEEE, 2021: 2172-2179.

[15] Chen L, Wei X, Chen S, et al. Reconstruction of Smart Meteorological Service Based on DIKW[C]//2021 IEEE 23rd Int Conf on High Performance Computing & Communications; 7th Int Conf on Data Science & Systems; 19th Int Conf on Smart City; 7th Int Conf on Dependability in Sensor, Cloud & Big Data Systems & Application (HPCC/DSS/SmartCity/DependSys). IEEE, 2021: 2180-2183.

[16] Hu T, Duan Y. Modeling and Measuring for Emotion Communication based on DIKW[C]//2021 IEEE World Congress on Services (SERVICES). IEEE, 2021: 21-26.

[17] Haiyang Z, Lei Y, Yucong D. Service Recommendation based on Smart Contract and DIKW[C]//2021 IEEE World Congress on Services (SERVICES). IEEE, 2021: 54-59.

[18] Hu S, Duan Y, Song M. Essence Computation Oriented Multi-semantic Analysis Crossing Multi-modal DIKW Graphs[C]//International Conference on Collaborative Computing: Networking, Applications and Worksharing. Cham: Springer International Publishing, 2020: 320-339.

[19] Duan Y, Lu Z, Zhou Z, et al. Data privacy protection for edge computing of smart city in a DIKW architecture[J]. Engineering Applications of Artificial wisdom, 2019, 81: 323-335.

[20] Duan Y, Zhan L, Zhang X, et al. Formalizing DIKW architecture for modeling security and privacy as typed resources[C]//Testbeds and Research Infrastructures for the Development of Networks and Communities: 13th EAI International Conference, TridentCom 2018, Shanghai, China, December 1-3, 2018, Proceedings 13. Springer International Publishing, 2019: 157-168.

[21] Wang Y, Duan Y, Wang M, et al. Resource Adjustment Processing on the DIKWP Artificial Consciousness Diagnostic System, DOI: 10.13140/RG.2.2.23640.06401. https://www.researchgate.net/publication/375492685_Resource_Adjustment_Processing_on_the_DIKWP_Artificial_Consciousness_Diagnostic_System. 2023.

[22] Tang F, Duan Y, Wei J, et al. DIKWP Artificial Consciousness White Box Measurement Standards Framework Design and Practice, DOI: 10.13140/RG.2.2.23010.91848. https://www.researchgate.net/publication/375492522_DIKWP_Artificial_Consciousness_White_Box_Measurement_Standards_Framework_Design_and_Practice. 2023.

[23] Wu K, Duan Y, Chen L, et al. Computer Architecture and Chip Design for DIKWP Artificial Consciousness, DOI: 10.13140/RG.2.2.33077.24802. https://www.researchgate.net/publication/375492075_Computer_Architecture_and_Chip_Design_for_DIKWP_Artificial_Consciousness. 2023.

[24] Duan Y. Which characteristic does GPT-4 belong to? An analysis through DIKWP model. DOI: 10.13140/RG.2.2.25042.53447. https://www.researchgate.net/publication/375597900_Which_characteristic_does_GPT-4_belong_to_An_analysis_through_DIKWP_model_GPT-4_shishenmexinggeDIKWP_moxingfenxibaogao. 2023.

[25] Duan Y. DIKWP Processing Report on Five Personality Traits. DOI: 10.13140/RG.2.2.35738.00965. https://www.researchgate.net/publication/375597092_wudaxinggetezhide_DIKWP_chulibaogao_duanyucongYucong_Duan. 2023.

[26] Duan Y. Research on the Application of DIKWP Model in Automatic Classification of Five Personality Traits. DOI: 10.13140/RG.2.2.15605.35047. https://www.researchgate.net/publication/375597087_DIKWP_moxingzaiwudaxinggetezhizidongfenleizhongdeyingyongyanjiu_duanyucongYucong_Duan. 2023.

[27] Duan Y, Gong S. DIKWP-TRIZ method: an innovative problem-solving method that combines the DIKWP model and classic TRIZ. DOI: 10.13140/RG.2.2.12020.53120. https://www.researchgate.net/publication/375380084_DIKWP-TRIZfangfazongheDIKWPmoxinghejingdianTRIZdechuangxinwentijiejuefangfa. 2023.

[28] Duan Y. The Technological Prospects of Natural Language Programming in Large-scale AI Models: Implementation Based on DIKWP. DOI: 10.13140/RG.2.2.19207.57762. https://www.researchgate.net/publication/374585374_The_Technological_Prospects_of_Natural_Language_Programming_in_Large-scale_AI_Models_Implementation_Based_on_DIKWP_duanyucongYucong_Duan. 2023.

[29] Duan Y. The Technological Prospects of Natural Language Programming in Large-scale AI Models: Implementation Based on DIKWP. DOI: 10.13140/RG.2.2.19207.57762. https://www.researchgate.net/publication/374585374_The_Technological_Prospects_of_Natural_Language_Programming_in_Large-scale_AI_Models_Implementation_Based_on_DIKWP_duanyucongYucong_Duan. 2023.

[30] Duan Y. Exploring GPT-4, Bias, and its Association with the DIKWP Model. DOI: 10.13140/RG.2.2.11687.32161. https://www.researchgate.net/publication/374420003_tantaoGPT-4pianjianjiqiyuDIKWPmoxingdeguanlian_Exploring_GPT-4_Bias_and_its_Association_with_the_DIKWP_Model. 2023.

[31] Duan Y. DIKWP language: a semantic bridge connecting humans and AI. DOI: 10.13140/RG.2.2.16464.89602. https://www.researchgate.net/publication/374385889_DIKWP_yuyanlianjierenleiyu_AI_deyuyiqiaoliang. 2023.

[32] Duan Y. The DIKWP artificial consciousness of the DIKWP automaton method displays the corresponding processing process at the level of word and word granularity. DOI: 10.13140/RG.2.2.13773.00483. https://www.researchgate.net/publication/374267176_DIKWP_rengongyishide_DIKWP_zidongjifangshiyiziciliducengjizhanxianduiyingdechuliguocheng. 2023.

[33] Duan Y. Implementation and Application of Artificial wisdom in DIKWP Model: Exploring a Deep Framework from Data to Decision Making. DOI: 10.13140/RG.2.2.33276.51847. https://www.researchgate.net/publication/374266065_rengongzhinengzai_DIKWP_moxingzhongdeshixianyuyingyongtansuocongshujudaojuecedeshendukuangjia_duanyucongYucong_Duan. 2023.

[34] Duan Y. DIKWP Digital Economics 12 Chain Machine Learning Chain: Data Learning, Information Learning, Knowledge Learning, Intelligent Learning, purposeal Learning. DOI: 10.13140/RG.2.2.26565.63201. https://www.researchgate.net/publication/374266062_DIKWP_shuzijingjixue_12_lianzhijiqixuexilian_shujuxuexi-xinxixuexi-zhishixuexi-zhihuixue_xi-yituxuexi_duanyucongYucong_Duan. 2023

[35] Duan Y. Big Data and Small Data Governance Based on DIKWP Model: Challenges and Opportunities for China. DOI: 10.13140/RG.2.2.21532.46724. https://www.researchgate.net/publication/374266054_jiyuDIKWPmoxingdedashujuyuxiaoshujuzhili_zhongguodetiaozhanyujiyu. 2023.

[36] Duan Y. DIKWP is based on digital governance: from "data governance", "information governance", "knowledge governance" to "wisdom governance". "Analysis of the current situation. DOI: 10.13140/RG.2.2.23210.18883. https://www.researchgate.net/publication/374265977_DIKWPjiyushuzizhilicongshujuzhilixinxizhilizhishizhilidaozhihuihuazhilidexianzhuangfenxi. 2023.

[37] Duan Y. Exploration of the nature of data tenure and rights enforcement issues based on the DIKWP model. DOI: 10.13140/RG.2.2.35793.10080. https://www.researchgate.net/publication/374265942_jiyu_DIKWP_moxingdeshujuquanshuxingzhiyuquequanwentitantao_duanyucongYucong_Duan. 2023.

[38] Duan Y. The DIKWP Model: Bridging Human and Artificial Consciousness. DOI: 10.13140/RG.2.2.23839.33447. https://www.researchgate.net/publication/374265912_DIKWP_moxingrenleiyurengongyishideqiaoliang_duanyucongYucong_Duan. 2023.

[39] Duan Y. An Exploration of Data Assetisation Based on the DIKWP Model: Definitions, Challenges and Prospects. DOI: 10.13140/RG.2.2.24887.91043. https://www.researchgate.net/publication/374265881_jiyu_DIKWP_moxingdeshujuzichanhuatanjiudingyitiaozhanyuqianjing_duanyucongYucong_Duan. 2023.

[40] Duan Y. Purpose-driven DIKWP Resource Transformation Processing: A New Dimension of Digital Governance. DOI: 10.13140/RG.2.2.29921.07529. https://www.researchgate.net/publication/374265796_yituqudongde_DIKWP_ziyuanzhuanhuachulishuzizhilidexinweidu_duanyucongYucong_Duan. 2023.

[41] Altshuller, G. (1984). Creativity as an Exact Science. Gordon and Breach.

[42] Altshuller, G., & Shulyak, L. (2002). 40 Principles: TRIZ Keys to Technical Innovation. Technical Innovation Center, Inc.

[43] Fey, V., & Rivin, E. I. (2005). Innovation on Demand: New Product Development Using TRIZ. Cambridge University Press.

[44] Kaplan, S. (1996). An Introduction to TRIZ: The Russian Theory of Inventive Problem Solving. Ideation International Inc.

[45] Rantanen, K., & Domb, E. (2008). Simplified TRIZ: New Problem-Solving Applications for Engineers. CRC Press.

[46] Mann, D. L. (2007). Hands-On Systematic Innovation for Business and Management. IFR Press.

[47] Savransky, S. D. (2000). Engineering of Creativity: Introduction to TRIZ Methodology of Inventive Problem Solving. CRC Press.

[48] Zlotin, B., & Zusman, A. (2001). Directed Evolution: Philosophy, Theory and Practice. Ideation International Inc.

[49] Orloff, M. A. (2006). Inventive Thinking through TRIZ: A Practical Guide. Springer.

Terninko, J., Zusman, A., & Zlotin, B. (1998). Systematic Innovation: An Introduction to TRIZ. CRC Press.

[50] Souchkov, V. (2008). TRIZ and Systematic Business Model Innovation. Value Innovation.

[51] Cascini, G., & Russo, D. (2007). Computer-Aided Analysis of Patents for Product Innovation: Comparing Strategic Design and TRIZ. Creativity and Innovation Management, 16(3).

[52] DeCarlo, N., & DeCarlo, D. (2002). The 7 Steps of Creative Thinking: Rationalize, Analyze, Detect, Enhance, Locate, Implement, Predict. The TRIZ Journal.

[53] Chechurin, L., & Borgianni, Y. (2016). Value Driven TRIZ Innovation of Product-Service Systems. Procedia CIRP.

[54] Lee, S., & Park, J. (2005). TRIZ-facilitated Innovation Strategy in Information Technology. Journal of Computer Information Systems.

[55] Kim, C., & Song, B. (2007). Creating New Product Ideas with TRIZ-Based Semantic Network Analysis. Expert Systems with Applications.

[56] Vincenti, W. G. (1990). What Engineers Know and How They Know It: Analytical Studies from Aeronautical History. Johns Hopkins University Press.

[57] Bogatyreva, O., et al. (2010). Bridging the Gaps between Innovation, TRIZ, and Biological Analogy. Procedia Engineering.

[58] Sokolov, G., & Abramov, O. (2019). TRIZ and Digital Transformation: From Information to Knowledge Management. Journal of Engineering and Technology Management.

[59] Sato, Y., & Hanaoka, K. (2007). TRIZ-based Technology Forecasting: Identification of Evolution Patterns. Futures.

[60] Duan Y, Yang Z. How high is Mr. GPT4's Emotional Intelligence- DIKWP Team's International Standard Evaluation. DOI: 10.13140/RG.2.2.18020.35205.

[61] Duan Y, Tang F. How high is Mr.Ali Tongyiqianwen’s Intelligence Quotient- DIKWP Team's International Standard Evaluation. DOI:10.13140/RG.2.2.32595.55840.

[62] Duan Y, Wang Y. How high is Mr.Claude-instant Intelligence Quotient- DIKWP Team's International Standard Evaluation. DOI:10.13140/RG.2.2.25884.67204.

[63] Duan Y, Yang Z. How high is Mr.GPT4 Intelligence Quotient- DIKWP Team's International Standard Evaluation. DOI:10.13140/RG.2.2.24206.95044.

[64] Duan Y, Guo Y. How high is Mr. Wenxinyiyan's Emotional Quotient - DIKWP Team's International Standard Evaluation. DOI:10.13140/RG.2.2.29449.83043.

[65] Duan Y, Wang Y. How high is Mr. Claude-instant's Emotional Quotient - DIKWP Team's International Standard Evaluation. DOI:10.13140/RG.2.2.35321.85603.

[66] Duan Y, Tang F. How high is Mr.Ali Tongyiqianwen’s Emotional Quotient - DIKWP Team's International Standard Evaluation. DOI:10.13140/RG.2.2.35321.85603.

数据（Data）可视为我们认知中相同语义的具体表现形式。通常，数据代表着具体的事实或观察结果的存在语义确认，并通过与认知主体已有认知对象的存在性包含的某些相同语义对应而确认为相同的对象或概念。在处理数据时，我们常常寻求并提取标定该数据的特定相同语义，进而依据对应的相同语义将它们统一视为一个相同概念。例如，当我们看到一群羊时，虽然每只羊可能在体型、颜色、性别等方面略有不同，但我们会将它们归入“羊”的概念，因为它们共享了我们对“羊”这个概念的语义理解。相同语义可以是具体的如识别手臂时可以根据一个硅胶手臂与人的手臂的手指数量的相同、颜色的相同、手臂外形的相同等相同语义进行确认硅胶手臂为手臂，也可以通过硅胶手臂不具有真实手臂的可以旋转对应的由“可以旋转”定义的相同语义，而判定其不是手臂。

信息（Information）则对应认知中不同语义的表达。通常情况下，信息指的是通过特定意图将认知DIKWP对象与认知主体已经认知的数据、信息、知识、智慧或意图联系起来，产生新的语义关联。在处理信息时，我们会根据输入的数据、信息、知识、智慧或意图，找出它们被认知的DIKWP对象的不同之处，对应不同的语义，并进行信息分类。例如，在停车场中，尽管所有的汽车都可以归入“汽车”这一概念，但每辆车的停车位置、停车时间、磨损程度、所有者、功能、缴费记录和经历都代表着信息中不同的语义。信息对应的不同语义经常存在于认知主体的认知中，常常未被显式表达出来，例如抑郁症患者可能用自己情绪“低落”来表达自己当前的情绪相对自己以往的情绪的下降，但这个“低落”对应的信息因为其对比状态不被听众了解而不能被听众客观感受到，从而成为该患者自己主观的认知信息。

知识（Knowledge）对应于认知中的完整语义。知识是通过观察和学习获得的对世界的理解和解释。在处理知识时，我们通过观察和学习抽象出至少一个完整语义对应的概念或模式。例如，通过观察我们得知所有的天鹅都是白色，这是我们通过收集大量信息后对“天鹅都是白色”这一概念的完整认知。

智慧（Wisdom）对应伦理、社会道德、人性等方面的信息，是一种来自文化、人类社会群体的相对于当前时代固定的极端价值观或者个体的认知价值观。在处理智慧时，我们会整合这些数据、信息、知识、智慧，并运用它们来指导决策。例如，在面临决策问题时，我们会综合考虑伦理、道德、可行性等各个方面的因素，而不仅仅是技术或效率。

意图（Purpose）可以看作是一个二元组（输入，输出），其中输入和输出都是数据、信息、知识、智慧或意图的内容。意图代表了我们对某一现象或问题的理解（输入），以及我们希望通过处理和解决该现象或问题来实现的目标（输出）。在处理意图时，人工智能系统会根据其预设的目标（输出），处理输入的内容，通过学习和适应，使输出逐渐接近预设的目标。

段玉聪 教授

l DIKWP-AC人工意识（全球）团队发起人

l AGI-AIGC-GPT评测DIKWP（全球）实验室创办者

l 世界人工意识大会发起人（Artificial Consciousness 2023, AC2023, AC2024)

l 国际数据、信息、知识、智慧大会发起人（IEEE DIKW 2021、2022、2023）

l 斯坦福全球顶尖科学家“终身科学影响力排行榜”（海南信息技术）唯一入选

l 海南人工智能技术发明领域唯一全国奖（吴文俊人工智能奖）获得者

l 中国创新方法大赛总决赛（海南代表队）最好记录保持者

l 海南省发明专利（信息技术领域）授权量最多者

l 全国企业创新增效大赛海南最好成绩保持者

l 全国人工智能应用场景创新挑战赛总决赛海南最好成绩保持者

l 海南省最美科技工作者（并入选全国候选人）

段玉聪教授，海南大学计算机科学与技术学院的教授，博士生导师， 第一批入选海南省南海名家计划、海南省领军人才，2006年毕业于中国科学院软件研究所，先后在清华大学、首都医科大学、韩国浦项工科大学、法国国家科学院、捷克布拉格查理大学、意大利米兰比克卡大学、美国密苏里州立大学等工作与访学。现任海南大学计算机科学与技术学院学术委员会委员、海南大学数据、信息、知识、智慧、意图DIKWP创新团队负责人、兼北京信用学会高级顾问、重庆警察学院特聘研究员、海南省委双百人才团队负责人、海南省发明协会副会长、海南省知识产权协会副会长、海南省低碳经济发展促进会副会长、海南省农产品加工企业协会副会长、美国中密西根大学客座研究员及意大利摩德纳大学的博士指导委员会委员等职务。自2012年作为D类人才引进海南大学以来，累计发表论文260余篇，SCI收录120余次，ESI高被引11篇,引用统计超过4300次。面向多行业、多领域设计了241件（含15件PCT发明专利）系列化中国国家及国际发明专利，已获授权第1发明人中国国家发明专利及国际发明专利共85件。2020年获吴文俊人工智能技术发明三等奖；2021年作为程序委员会主席独立发起首届国际数据、信息、知识与智慧大会-IEEE DIKW 2021；2022年担任IEEE DIKW 2022大会指导委员会主席；2023年担任IEEE DIKW 2023大会主席；2022年获评海南省最美科技工作者（并被推全国）；2022年与2023年连续入选美国斯坦福大学发布的全球前2%顶尖科学家的“终身科学影响力排行榜”榜单。参与研制IEEE金融知识图谱国际标准2项、行业知识图谱标准4项。2023年发起并共同举办首届世界人工意识大会（Artificial Consciousness 2023, AC2023)。

段玉聪 教授（Prof. Yucong Duan）

DIKWP人工意识实验室

AGI-AIGC-GPT评测DIKWP（全球）实验室

世界人工意识协会

duanyucong@hotmail.com

第二届世界人工意识大会(AC2024)期待您的加入

http://yucongduan.org/DIKWP-AC/2024/#/

段玉聪 教授（Prof. Yucong Duan）

DIKWP人工意识实验室

AGI-AIGC-GPT评测DIKWP（全球）实验室

1. 我对危险保持警觉

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

2. 事情出错时总是有人在背后指使

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

3. 我不需要很长的时间就能得出结论

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

4. 别人使我糊涂

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

5. 我的思维倾向于破碎

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

6. 人们是不可信的

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

7. 我生活中的事出错都是因为别人的缘故

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

8. 正确的结论经常突然出现在我的脑海里

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

9. 我总是不确信别人的用意

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

10. 就全局而言我更关注细节

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

11. 人们在监视我

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

12. 我生活中的事出错了不是因为我自己的过错

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

13. 当我做决定时我无需考虑其他可能性

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

14. 人们的反应总是令我感到惊奇

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

15. 当我有一个目标时我不知道怎么去达到它

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

16. 我很快能找到支持我信念的证据

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

17. 人们不给我做的更好的机会

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

18. 我做决定比别人快

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

19. 我不明白为什么人们总是以一种方式做出反应

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

20. 我要确信每扇窗都锁上了

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

21. 当我想集中注意于某事时我很难忽视我周围的其他事情

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

22. 我不太容易改变我的思维方式

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

23. 我不去饭店因为那不安全

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

24. 人们使我的生活很痛苦

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

25. 第一想法总是正确的

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

26. 通过别人的面部表情了解别人的情绪是很难的

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

27. 天黑后我不出去

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

28. 无关的信息很容易让我分心

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

29. 人们毫无理由的对我很坏

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

30. 我无需评估所有的事实就能得出结论

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

31. 为了安全我总是坐在出口旁

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

32. 我不能集中注意于某项任务

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

33. 我不了解的人是危险的

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

34. 对一件事来说，通常只有一种解释

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

35. 为了安全，我不接电话

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

36. 我很难理解事物之间的联系

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

37. 为了保护我自己，我保持警觉

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

38. 当我做决定时，我无需额外的信息

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

39. 当我听到别人笑时，我想他们是在嘲笑我

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

40. 集中精力是很难的

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

41. 我避免考虑动摇我观点的信息

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

42. 我不去购物商场，因为不安全

A. 非常同意

B. 同意

C. 略微同意

D. 无法决定

E. 略微不同意

F. 不同意

G. 非常不同意

1. I'm on the look out for danger

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

2. When things go wrong, someone is behind it.

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

3. I don't need long to reach a conclusion

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

4. People confuse me

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

5. Thoughts tend to fall apart in my mind

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

6. People cannot be trusted

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

7. Things went wrong in my life because of other people

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

8. The right conclusion often pops in my mind

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

9. I'm often not sure what people mean

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

10. I pay attention to the details instead of the whole

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

11. People are watching me

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

12. It's NOT my fault when things go wrong in my life

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

13. I don't need to consider alternatives when making a decision

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

14. People surprise me with their reactions

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

15. When I have a goal I don't know how to reach it

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

16. I quickly find evidence to support my beliefs

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

17. People don't give me a chance to do well

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

18. I make decisions faster than other people

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

19. I don't understand why people react in a certain way

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

20. I make sure that all windows are locked

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

21. When I try to concentrate on something, it's hard to ignore other things around me

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

22. I don't change my way of thinking easily

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

23. I don't go to restaurants because it's not safe

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

24. People make my life miserable

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

25. The first thoughts are the right ones

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

26. It's difficult to know what people are feeling by their facial expression

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

27. I don't go out after dark

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

28. I get easily distracted by irrelevant information

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

29. People treat me badly for no reason

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

30. I don't need to evaluate all the facts to reach a conclusion

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

31. I always sit near the exit to be safe

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

32. I'm not able to focus on a task

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

33. People I don't know are dangerous

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

34. There is usually only one explanation for a single event

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

35. I don't answer phone calls, to be on the safe side

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

36. I do not automatically see how things connect

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

37. To protect myself, I remain on guard

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

38. I don't need to look for additional information when making a decision

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

39. When I hear people laughing, I think they are laughing at me

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

40. It's hard to hold onto a thought

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

41. I avoid considering information which will disconfirm my beliefs

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

42. I don't go to shopping malls because it's not safe

A. Strongly agree

B. Agree

C. Slightly agree

D. Undecided

E. Slightly disagree

F. Disagree

G. Strongly disagree

转载本文请联系原作者获取授权，同时请注明本文来自段玉聪科学网博客。

链接地址：https://m.sciencenet.cn/blog-3429562-1425946.html?mobile=1

收藏

分享