انگاره نگاری متکی به خبره معمولاً متشکل از سه گام زیر ‌می‌باشد(کاسکو، ۱۹۸۶؛خان و کوادیس،۲۰۰۴^[۳۲]):

1. 1. شناسایی مفاهیم مهم

1. 1. شناسایی روابط علّی بین این مفاهیم

1. تخمین قدرت روابط علّی

در گام اول باید این تصمیم اتخاذ شود که کدام یک از مفاهیم موجود باید در مدل دخیل شوند. روشن­ترین روش این است که فهرستی از مفاهیم مربوط تهیه کنیم و مفاهیم بی­اهمیّت را از آن حذف کنیم. در گام دوم باید همه روابط علت و معلولی مستقیم بین مفاهیم باقی مانده همراه با جهتشان شناسایی شوند. معمولا این مهم با تمرکز کردن بر یک جفت مفهوم در زمان واحد انجام می­ شود پس از آن خبره با وظیفه یافتن روابط علّی و معلولی پنهان یا غیرمستقیم روبرو می شود. این روابط بعداً از طریق تحلیل هایی با بهره گرفتن از نقشه کامل شده صورت ‌می‌گیرد، آشکار می­شوند. این دو مرحله به یک طرح ساختاری منجر می‌شوند که متشکل از گرافی با گره­ ها و یالهای جهت­دار ‌می‌باشد(کاسکو، ۱۹۸۶؛خان و کوادیس،۲۰۰۴ ).

آبرنتی و همکارانش^[۳۳] بیان ‌می‌کنند نقشه­های شناخت متکی بر خبرگان را ‌می‌توان به چند طریق تهیه کرد از جمله:

روش کشف کامپیوتری روابط علّی: یکی از ابداعات عمده برای محققان روش کیفی نرم افزار منعطف و کارآمد پایگاه داده کیفی ‌می‌باشد. در درجه اول محققان از این نرم افزار برای خلق پایگاه داده­ای از طریق کدگذاری سیستماتیک داده کیفی استفاده ‌می‌کنند. استفاده دوم این است که محققان کیفی از نرم­افزار پایگاه داده برای تحلیل روابط در پایگاه داده حاصل از رونوشت مصاحبه استفاده ‌می‌کنند. محقق می ­تواند از نرم­افزار برای ایجاد و آزمون نقشه­های رابطه­ای استفاده کند که به توسعه مدل­های نظری و ارزیابی قدرت نسبی روابط بین متغیر­های مدل کمک می­ کند.

روش تحلیل علمی داده ­های مصاحبه: این روش ایجاد نقشه­های علّی متغیر علمی سنتی از مصاحبه­ ها و زمینه مصاحبه به دست می ­آید. این روش متداول­ترین روش در تحلیل داده ­های کیفی می­ باشد. در این روش محقق به واسطه درک خود از زمینه مورد نظر و استفاده از رونوشت کامل مصاحبه، روابط علّی را شناسایی ‌می‌کنند. در این روش ممکن است روابطی کشف شود که نرم افزار قادر به شناسایی آن نباشد. و همچنین نقشه­ای که ارائه می­دهد به واقعیت نزدیک­تر است تا نقشه­ای که از نرم افزار حاصل می­ شود. عیب این روش تمایل به تمرکز بر شواهد تأیید کننده ‌می‌باشد همچنین به دلیل پیچیدگی شناختی مسئله، ریسک ناقص بودن تحلیل­ها وجود دارد.

روش انگاره نگاری دو جانبه با مشارکت نخبگان: این روش به طور فعالانه خبرگان را در فعالیت انگاره نگاری درگیر می­­سازد. در این روش از خبرگان خواسته می­ شود تا نقشه روابط علّی بین آیتم­ها یا ساخت­های مجزای استخراج شده از مصاحبه های قبلی­شان را ترسیم کنند. مزیت ویژه این روش ایجاد نقشه­های علّی در مراحل اولیه بررسی فرایند­های پیچیده ‌می‌باشد.

چالش عمده در انگاره نگاری شناختی فازی متکی بر خبره این است که قدرت روابط به دقت تخمین زده شود. یک اقدام رایج برای تسهیل تخمین مقدار وزن ها این است که ابتدا هر رابطه را بر حسب متغیرهای زبانی توصیف کنیم و سپس این عبارات را به ارزش های عددی تبدیل کنیم. استفاده از متغیرهای زبانی برای توصیف درجه علیّت در روابط، به خبرگان این امکان را می‌دهد که از کار سخت تعیین مقادیر دقیق عددی قبل از ایجاد مدل اولیه در امان باشند. علاوه بر این فرایندهای تحلیلی نظیر فرایند تحلیل سلسله مراتبی(ساعتی^[۳۴]، ۱۹۸۰) می‌تواند در یافتن مقادیر عددی مورد استفاده در آخرین گام فرایند تخمین وزن مؤثر واقع شود.

روش های محاسباتی برای انگاره نگاری شناختی فازی از داده موجود و نوعی الگوریتم یادگیری برای ایجاد یا پشتیبانی از ایجاد مدل متناظر، استفاده می‌کنند. به دلیل آنکه این روش ها از داده ­های موجود برای یادگیری مدل استفاده می‌کنند، در دسته مدل سازی استقرایی قرار می گیرند.

۲-۱-۳-۴-۳ روش های یکپارچه سازی نقشه های شناخت فازی

نقشه های شناخت فازی به صورت نسبتا ساده امکان یکپارچه سازی دانش به دست آمده از چندین خبره را فراهم می ­آورند. هدف از یکپارچه سازی نقشه­های شناخت بهبود اعتبار مدل نهایی ‌می‌باشد

دو روش برای ترکیب نقشه های شناخت چندگانه وجود دارد. این روش ها از عملیات ساده ماتریسی نظیر جمع و ضرب (کاسکو، ۱۹۸۸) استفاده ‌می‌کنند که این محاسبات با بهره گرفتن از ماتریس­های ارتباط فردی مربوط به خبرگان مختلف انجام می­ شود. ممکن است خبرگان تعداد متفاوتی از مفاهیم را در نقشه­هایشان لحاظ کنند، در نتیجه اندازه ماتریس­های متناظر یکسان نخواهد بود. در این حالت اولین قدم برای ترکیب ماتریس­ها، برابر کردن اندازه­ آن­ها است، بدین منظور ماتریس­های ارتباط با هم مقایسه می‌شوند و با افزودن سطرها و ستون های مورد نیاز تکمیل می­گردند به طوری که همه مقادیر سطرها و ستون­های جدید صفر خواهد بود. به عبارت دیگر مفاهیم مصنوعی به مدل اضافه می­شوند(خان و کوادیوس، ۲۰۰۴).

از نظر تاریخی اولین رویکرد به ترکیب نقشه­های شناخت فازی توسط کاسکو مطرح شده است(کاسکو، ۱۹۸۸). این رویکرد برای هر رابطه از نقشه های فردی میانگین ‌می‌گیرد. لذا ماتریس ارتباط مربوط به نقشه نهایی از طریق عملیات ماتریس ساده زیر به دست می‌آید.

که E ماتریس ارتباط مربوط به مدل یکپارچه شده می‌باشد، ماتریس ارتباط ایجاد شده توسط خبره K ام می‌باشد و K تعداد خبرگان است.

در این رویکرد همه ی خبرگان سهم یکسانی در مدل نهایی دارند. این رویکرد به جز دانش ماتریس های ارتباط، به هیچ اطلاعات دیگری نیاز ندارد.

کاسکو(۱۹۸۸ ) میانگین موزون را جایگزین میانگین ساده کرده و روش پایه را با در نظر گرفتن ضرایب اعتبار خبرگان، توسعه داده است. وزن ها ( ) به نسبت اعتبار خبرگان به آن ها تخصیص می‌یابد و در دامنه [۰ , ۱] مقدار می‌گیرد.

با به کارگیری این فرمول خبرگانی که از اعتبار بالاتری برخوردارند، تاثیر بیشتری در ساختار نقشه ترکیبی خواهند داشت. به کارگیری این روش با مشکل تخمین زدن ضرایب اعتبار روبرو است(استچ و دیگران، ۲۰۰۵ ).