本研究提出了一种通过扩展部分有序工作流语言（POWL）来改进归纳挖掘算法的新方法，以更有效地建模复杂决策行为，实验结果表明其具有良好的可扩展性。

本研究基于强化学习模型，对智能体决策行为进行建模。实验结果表明，该模型相较传统方式更适应且表现更好，可应用于政策分析等领域的 Agent-based Models。