AI-SUPPORTED MITIGATION OF COGNITIVE BIASES IN STRATEGIC DECISION SUPPORT SYSTEMS: A CONCEPTUAL MODEL

Abstract

This study proposes a multi-layered conceptual framework that integrates behavioral science, artificial intelligence (AI), strategic decision analysis, and operations research to address cognitive biases in complex decision-making environments. Existing literature examines cognitive biases, AI-based decision support, and strategic planning tools separately; however, an integrated model that connects bias diagnosis with hierarchical strategic models and quantitative validation remains limited. The proposed framework is structured in four analytical layers: cognitive bias identification, mapping of phase-specific vulnerabilities within the Mission-Objective-Strategy-Tactics (MOST) framework, AI-supported mitigation through the TOWS matrix, and Operations Research/Industrial Engineering (OR/IE)-based validation conceptual architecture. The study is conceptual and integrative; it does not provide full-scale empirical validation but develops a theoretically grounded architecture that translates behavioral vulnerabilities into actionable and measurable decision-support mechanisms. An exploratory analysis using a large language model (LLM) and a four-layer prompt architecture comprising system instructions, role definition, context, and task instructions identifies authority, optimism, and framing bias signals in an EMGF policy narrative. The framework also outlines how Likert-scale bias indicators, Monte Carlo simulation, sensitivity analysis, and multi-criteria decision analysis may be used in future studies to evaluate bias reduction and decision quality improvement. By combining human judgment, AI-based analytical support, and OR/IE validation, the article contributes to behavioral operations management, hybrid intelligence, and strategic decision-support research.

Keywords

• Artificial Intelligence
• Cognitive Bias
• Decision Support Systems
• Strategic Decision-Making
• Operations Research

Supporting Institution

This study received no institutional or financial support.

Ethical Statement

This study does not require ethics committee approval, as it is a conceptual study and does not involve human participants, personal data, surveys, interviews, or experimental procedures.

Thanks

The authors would like to thank their spouses for their patience, support, and encouragement during the preparation of this study.

STRATEJİK KARAR DESTEK SİSTEMLERİNDE BİLİŞSEL ÖNYARGILARIN YAPAY ZEKÂ DESTEKLİ SINIRLANDIRILMASI: KAVRAMSAL BİR MODEL

Abstract

Bu çalışma, karmaşık karar verme ortamlarında bilişsel önyargıların belirlenmesi ve azaltılması amacıyla davranış bilimleri, yapay zekâ, stratejik karar analizi ve yöneylem araştırmasını bütünleştiren çok katmanlı kavramsal bir çerçeve önermektedir. Mevcut literatür bilişsel önyargıları, yapay zekâ temelli karar destek sistemlerini ve stratejik planlama araçlarını çoğunlukla ayrı alanlar olarak ele almakta; yanlılık teşhisinin hiyerarşik stratejik modeller ve nicel doğrulama yöntemleriyle birlikte yapılandırıldığı bütünleşik yaklaşımlar ise sınırlı kalmaktadır. Önerilen çerçeve dört analitik katmandan oluşmaktadır: bilişsel yanlılıkların belirlenmesi, bu yanlılıkların Mission-Objective-Strategy-Tactics (MOST) çerçevesi içinde aşama bazlı kırılganlıklara eşlenmesi, TOWS matrisi aracılığıyla yapay zekâ destekli azaltım stratejilerinin geliştirilmesi ve Yöneylem Araştırması/Endüstri Mühendisliği yöntemleriyle nicel doğrulama kavramsal mimarisi. Çalışma tam ölçekli ampirik doğrulama sunmamakta; davranışsal kırılganlıkları uygulanabilir ve ölçülebilir karar destek mekanizmalarına dönüştüren kuramsal bir mimari geliştirmektedir. Doğu Akdeniz Gaz Forumu’na (EMGF) ilişkin politika odaklı bir anlatı üzerinde, sistem talimatları, rol tanımı, bağlam ve görev talimatlarından oluşan dört katmanlı prompt mimarisiyle yürütülen LLM analizi, otorite, iyimserlik ve çerçeveleme yanlılığı sinyallerini belirlemektedir. Bu uygulama ayrıca belirlenen önyargı sinyallerinin MOST aşamalarına eşlenmesini ve TOWS-AI azaltım araçlarıyla ilişkilendirilmesini göstererek modelin operasyonel uygulanabilirliğini ve yöntemsel şeffaflığını güçlendirmektedir. Çalışma, insan yargısı, yapay zekâ destekli analiz ve OR/IE tabanlı doğrulamayı birleştirerek davranışsal operasyon yönetimi, hibrit zekâ ve stratejik karar destek literatürüne katkı sunmaktadır.

Keywords

• Yapay Zekâ
• Bilişsel Önyargı
• Karar Destek Sistemleri
• Stratejik Karar Verme
• Yöneylem Araştırması

Supporting Institution

Bu çalışma kapsamında herhangi bir kurumsal veya finansal destek alınmamıştır.

Ethical Statement

Bu çalışma kavramsal bir araştırma niteliğinde olup insan katılımcı, kişisel veri, anket, mülakat veya deneysel işlem içermediğinden etik kurul onayı gerektirmemektedir.

Thanks

Yazarlar, bu çalışmanın hazırlanması sürecindeki sabırları, destekleri ve teşvikleri için eşlerine teşekkür eder.

References

1. Acciarini, C., Brunetta, F., & Boccardelli, P. (2021). Cognitive biases and decision-making strategies in times of change: A systematic literature review. Management Decision, 59(3), 638-658. https://doi.org/10.1108/MD-07-2019-1006
2. Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? In Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (pp. 610–623). Association for Computing Machinery. https://doi.org/10.1145/3442188.3445922
3. Berthet, V. (2022). The impact of cognitive biases on professionals' decision-making: A review of four occupational areas. Frontiers in Psychology, 12, Article 802439. https://doi.org/10.3389/fpsyg.2021.802439
4. Bozkurt Uzan, Ş. (2025). Facilitating decision-making processes in packaging and graphic media: A review of MCDM methods from 2008 to 2024. Sakarya University Journal of Computer and Information Sciences, 8(2), 286-300.
5. Business Analyst Mentor. (n.d.). MOST analysis - What it is and how to use it. https://businessanalystmentor.com/most-analysis/
6. Dalbudak, E., & Rençber, Ö. F. (2022). Çok kriterli karar verme yöntemleri üzerine literatür incelemesi. Gaziantep Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 4(1), 1–17. https://doi.org/10.55769/gauniibf.1068692
7. Dellermann, D., Ebel, P., Söllner, M., & Leimeister, J. M. (2019). Hybrid intelligence. Business & Information Systems Engineering, 61(5), 637-643. https://doi.org/10.1007/s12599-019-00595-2
8. Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A., & Rubin, D. B. (2013). Bayesian data analysis (3rd ed.). CRC Press.

9. Harvard Business School Online. (n.d.). What is cost-benefit analysis and how to use it for decision-making. https://online.hbs.edu/blog/post/cost-benefit-analysis
10. IBM. (n.d.). Monte Carlo simulation. https://www.ibm.com/think/topics/monte-carlo-simulation Klotsman, I., & Reich, A. (2025). The East Mediterranean Gas Forum as a platform for a regional energy treaty. Israel Law Review, 58(1), 86–123. https://doi.org/10.1017/S0021223724000177
11. Koenig-Workman, I. (2024). Decision tree analysis. The Decision Lab. https://thedecisionlab.com/reference-guide/statistics/decision-tree-analysis
12. Linstone, H. A., & Turoff, M. (Eds.). (1975). The Delphi method: Techniques and applications. Addison-Wesley.
13. Medi-ASD. (2026). International Conference on Data Science and Applications (DATA'26): Conference scope and topics. https://data.medi-asd.org/
14. Nau, R. (2023). Moving averages. Duke University. https://people.duke.edu/~rnau/411avg.htm O'Brien, B. C., Harris, I. B., Beckman, T. J., Reed, D. A., & Cook, D. A. (2014). Standards for reporting qualitative research: A synthesis of recommendations. Academic Medicine, 89(9), 1245-1251. https://doi.org/10.1097/ACM.0000000000000388
15. Schulhoff, S., Ilie, M., Balepur, N., Kahadze, K., Liu, A., Si, C., Li, Y., Gupta, A., Han, H., Schulhoff, S., Dulepet, P. S., Vidyadhara, S., Ki, D., Agrawal, S., Pham, C., Kroiz, G., Li, F., Tao, H., Srivastava, A., … Resnik, P. (2025). The prompt report: A systematic survey of prompt engineering techniques [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2406.06608
16. Shrestha, Y. R., Ben-Menahem, S. M., & von Krogh, G. (2019). Organizational decision-making structures in the age of artificial intelligence. California Management Review, 61(4), 66–83. https://doi.org/10.1177/0008125619862257
17. Smith, E. D., Piattelli-Palmarini, M., & Bahill, A. T. (2008). Cognitive biases affect the acceptance of tradeoff studies. In Decision modeling and behavior in complex and uncertain environments (pp. 227-249). Springer. https://doi.org/10.1007/978-0-387-77131-1_10
18. The Decision Lab. (2024). List of cognitive biases. https://thedecisionlab.com/biases United Nations Statistical Commission. (2023). Global indicator framework for the Sustainable Development Goals and targets of the 2030 Agenda for Sustainable Development (A/RES/71/313). https://unstats.un.org/sdgs/indicators/indicators-list/
19. Visual Paradigm. (n.d.). TOWS analysis: A comprehensive guide. https://online.visual-paradigm.com/knowledge/strategic-analysis/tows-analysis-guide/
20. Weihrich, H. (1982). The TOWS matrix-A tool for situational analysis. Long Range Planning, 15(2), 54-66. https://doi.org/10.1016/0024-6301(82)90120-0
21. White, J., Fu, Q., Hays, S., Sandborn, M., Olea, C., Gilbert, H., Elnashar, A., Spencer-Smith, J., & Schmidt, D. C. (2023). A prompt pattern catalog to enhance prompt engineering with ChatGPT [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2302.11382