本研究提出均场大语言模型（MF-LLM）框架，旨在缩小集体决策模拟与真实数据之间的差距。通过动态反馈循环，精确建模个体行为与群体分布，实验结果显示其在预测精度和减少KL散度方面表现出色。

本研究探讨了集体决策中个体偏好的有效代表问题。研究表明，经过微调的大型语言模型能够在多样化人群中有效寻找共识，提供数字代表的新模型。

本研究提出了一种保护隐私的三层共识可信证据融合方法（PCEF），旨在解决现有分布式证据融合在集体决策中导致的偏好泄露和融合失败问题。该方法通过技术创新确保证据隐私，并在决策准确性和时间效率上优于现有方法，推动集体决策的隐私保护与可靠性。

本文探讨了群体智能中的集体决策与单代理强化学习的等价性，提出了新的强化学习更新规则——梅因纳德-克罗斯学习，推动了两者的交叉学科发展。

本文研究了单记名再分配投票法的可操纵性，分析了不同投票规则的计算复杂度及其对操纵的影响。研究表明，单个代理在多种情况下能够轻松操纵选举，并提出了新的权力指数和算法，探讨了偏好配置的解释性不足问题，为集体决策提供了新的视角。