Resumen:Si bien los modelos de lenguajes grandes (LLM) demuestran una notable competencia en la comprensión semántica, a menudo tienen dificultades para garantizar la coherencia estructural y la confiabilidad del razonamiento en tareas complejas de toma de decisiones que exigen una lógica rigurosa. Aunque las teorías de decisión clásicas, como el Proceso de Jerarquía Analítica (AHP), ofrecen marcos racionales sistemáticos, su construcción depende en gran medida de la experiencia en un dominio que requiere mucha mano de obra, lo que crea un “cuello de botella de expertos” que dificulta la escalabilidad en escenarios generales. Para cerrar la brecha entre las capacidades de generalización de los LLM y el rigor de la teoría de la decisión, proponemos Doc2AHP, un novedoso marco de inferencia estructurado guiado por los principios de AHP. Al eliminar la necesidad de datos anotados extensos o intervención manual, nuestro enfoque aprovecha los principios estructurales de AHP como restricciones para dirigir el LLM en una búsqueda restringida dentro del espacio de documentos no estructurados, imponiendo así la vinculación lógica entre los nodos padre e hijo. Además, introducimos un mecanismo de ponderación de múltiples agentes junto con una estrategia de optimización de coherencia adaptativa para garantizar la coherencia numérica de la asignación de ponderación. Los resultados empíricos demuestran que Doc2AHP no sólo permite a los usuarios no expertos construir modelos de decisión de alta calidad desde cero, sino que también supera significativamente las líneas de base generativas directas tanto en integridad lógica como en precisión de las tareas posteriores.
Publicado originalmente en export.arxiv.org el 25 de enero de 2026.
Ver fuente original
