في عالم الذكاء الاصطناعي، يُعتبر دمج الأدلة (Evidence Fusion) عملية حيوية تؤثر على دقة اتخاذ القرارات. من خلال استخدام نظرية ديمبستر-شافر (Dempster-Shafer theory)، واجه الباحثون تحديات كبيرة تتمثل في تقييم عدم التطابق بين الأدلة واختلاف المصادر. لقد اقترح الباحثون إطاراً جديداً يقدّم حلاً موحداً لهذين التحديين.

تقوم الطريقة الجديدة بإدخال قياس الصراع والفوضى لتحليل الصراع بين الأدلة المختلفة وعدم تحديدها بدقة. يُستخدم هذا القياس لتقدير متانة المعلومات والاعتماد على مصادر متعددة. كما يعتمد هذا الإطار على نظام وزن يعتمد على التجارب التاريخية، حيث يتم تقسيم فضاء القرار باستخدام تجميع الطيف (Spectral Clustering) وتطبيق نظرية الأسف (Regret Theory) لاشتقاق سجلات موثوقة بناءً على نتائج الدمج القديمة.

هذه الآليات تُغذي قاعدة دمج هجينة تُوازن بين الحفاظ على عدم اليقين ووزن التوافق، مما يُمكّن من اتخاذ قرارات دقيقة دون إغفال العوامل المعرفية. وقد أظهرت التجارب على 16 مجموعة بيانات حقيقية أن هذه الطريقة تحقق معدل F1 يبلغ 85.78 ومتوسط AUC قدره 93.30، متفوقةً على الأساليب التقليدية.

باختصار، يُعَد هذا الإطار بمثابة خطوة متقدمة في مجال دمج الأدلة، حيث يعالج التحديات الرئيسية ويعزز من موثوقية القرارات في سياقات متعددة.