Mapping and Comparing Climate Equity Policy Practices Using RAG LLM-Based Semantic Analysis and Recommendation Systems

Resumen Técnico: Mapeo y Comparación de Prácticas de Políticas de Equidad Climática mediante Análisis Semántico Basado en RAG y LLM y Sistemas de Recomendación

Planteamiento del Problema
El estudio aborda el desafío de comparar sistemáticamente documentos de política urbana a través de un panorama de gobernanza fragmentado, específicamente dentro de los Estados Unidos. Dado que la autoridad de planificación se distribuye en los niveles federal, estatal y local, y que los documentos de planificación varían desde planes integrales hasta estratégicos, resulta impracticable para los planificadores humanos revisar manualmente todas las políticas relevantes para identificar patrones de adopción, brechas o referentes de pares (benchmarks). Además, aunque la Inteligencia Artificial (IA) y los Modelos de Lenguaje de Gran Escala (LLM) se están integrando cada vez más en las operaciones de infraestructura y negocios, su capacidad para apoyar el trabajo normativo y centrado en la equidad de los planificadores urbanos sigue siendo poco explorada. El estudio busca determinar si la IA puede automatizar parcialmente la revisión de los planes de equidad climática para facilitar la comparación de políticas entre ciudades y evaluar cómo evoluciona el papel de los planificadores en respuesta a la adopción de la IA.

Metodología
La investigación emplea un marco metodológico de tres etapas que combina el análisis de texto, la Generación Aumentada por Recuperación (RAG) y sistemas de recomendación basados en contenido.

1. Recolección y Preprocesamiento de Datos:

   • Ofertas de Empleo: Se extrajeron 69,11ks de ofertas de empleo relacionadas con la planificación en EE. UU. de LinkedIn y Glassdoor. Tras la limpieza y deduplicación, se analizaron 83 publicaciones únicas.
   • Documentos de Política: Se recolectaron planes de equidad climática de 192 ciudades de EE. UU. (población >100,000) de repositorios públicos, sumando un total de 21,489 páginas.
   • Análisis de Texto: Se aplicaron técnicas de Procesamiento de Lenguaje Natural (NLP), incluyendo la Frecuencia de Términos–Frecuencia Inversa de Documento (TF-IDF) y el Análisis Semántico Latente (LSA) mediante la Descomposición en Valores Singulares (SVD) truncada, para identificar estructuras temáticas en las descripciones de puestos y en las tablas de contenido de los planes.

2. Extracción de Políticas Basada en RAG:

   • Se construyó un pipeline nativo de LangChain para mitigar las alucinaciones de los LLM y mejorar la precisión fáctica.
   • Recuperación: Los documentos PDF se segmentaron en fragmentos de 1,000 palabras con solapamientos de 200 palabras. Estos fragmentos se integraron utilizando text-embedding-3-small y se indexaron en una base de datos vectorial FAISS. La recuperación utilizó una estrategia de Relevancia Marginal Máxima (MMR) ($k=5$, $\lambda=0.7$) para equilibrar la relevancia y la diversidad.
   • Generación: Se utilizó el modelo GPT-4o-mini con una temperatura de 0 para asegurar salidas deterministas. Los prompts se estructuraron para extraer elementos jerárquicos de política (Políticas, Estrategias, Acciones) específicamente relacionados con el transporte y la energía, con instrucciones estrictas de citar números de página o responder con "No lo sé" si la evidencia era insuficiente.
   • Evaluación: Los elementos extraídos fueron reevaluados mediante prompts binarios a través de 20 categorías temáticas predefinidas (por ejemplo, "Transporte Sostenible", "Energía Renovable").

3. Sistema de Recomendación:

   • Se desarrolló un sistema de recomendación basado en contenido utilizando similitud de coseno sobre matrices binarias que representan la presencia de políticas, estrategias y acciones específicas.
   • Una interfaz interactiva (construida con ipywidgets) permite a los usuarios consultar una ciudad objetivo y recuperar las cinco ciudades más similares basadas en el contenido de sus políticas, resaltando las brechas en el plan de la ciudad objetivo en relación con sus pares.

Resultados Clave

• Roles de los Planificadores: El análisis de texto de las ofertas de empleo revela que, a pesar del auge de la IA, los roles de planificación mantienen énfasis tradicionales en el transporte, la planificación ambiental, la vivienda y el uso del suelo. Si bien las habilidades técnicas (GIS, análisis de datos) son ahora competencias estructurales, las responsabilidades comunicativas (participación comunitaria, gestión de partes interesadas) siguen siendo centrales. Las referencias explícitas a la IA en las descripciones de puestos fueron mayoritariamente ausentes.
• Contenido de las Políticas: Los planes de equidad climática abordan predominantemente los sectores de transporte y energía, centrándose en la reducción de emisiones de gases de efecto invernadero. El análisis semántico indica que los planes emplean mayoritariamente un lenguaje afirmativo; el lenguaje negativo o limitante es raro, apareciendo a menudo solo al reconocer restricciones específicas (por ejemplo, presupuesto o viabilidad).
• Brechas Temáticas:
  • Transporte: "Integración del uso del suelo y el transporte" es el tema de política más común, mientras que la "resiliencia del transporte" es el menos abordado. La "infraestructura de carga de vehículos eléctricos" es una estrategia frecuente, pero acciones como las "campañas de concienciación sobre el transporte" y las "evaluaciones de necesidades" están subrepresentadas.
  • Energía: "Eficiencia energética" es el tema de política dominante, mientras que la "modernización de la red" y la "innovación energética" son frecuentemente omitidas.
• Desempeño del Sistema de Recomendación: El sistema identificó con éxito grupos geográficos de prácticas políticas similares. Por ejemplo, Las Vegas fue emparejada con ciudades de California (Chico, Berkeley, Richmond) basándose en acciones de transporte, mientras que Fort Lauderdale fue emparejada con ciudades del este de EE. UU. (Saint Paul, Buffalo) respecto a acciones de energía. El sistema destacó eficazmente los elementos de acción faltantes en las ciudades objetivo en comparación con sus pares.

Significancia y Reivindicaciones
El artículo posiciona su contribución no como un reemplazo para los planificadores humanos, sino como una infraestructura para aumentar el aprendizaje cruzado entre ciudades y la evaluación diagnóstica.

• Innovación Metodológica: El estudio demuestra que los pipelines basados en RAG pueden extraer eficazmente datos de política estructurados (Políticas, Estrategias, Acciones) de documentos extensos y no estructurados con alta fidelidad, reduciendo la carga de trabajo manual asociada con la revisión de políticas.
• Utilidad Práctica: El sistema de recomendación desarrollado sirve como una "herramienta de diagnóstico y aprendizaje de políticas". Permite a los planificadores identificar ciudades pares con perfiles similares y sacar a la luz elementos de acción omitidos, apoyando la planificación reflexiva y el refinamiento iterativo de las políticas sin prescribir soluciones específicas.
• Alineación Normativa: El estudio argumenta que, si bien la IA puede automatizar tareas repetitivas y la recuperación de datos, las funciones normativas centrales de la planificación —el juicio, la creación de confianza y la participación comunitaria— siguen siendo de carácter humano. El "planificador virtual" propuesto se visualiza como una herramienta de asistencia que opera dentro de las restricciones del contexto local y la capacidad institucional, en lugar de un tomador de decisiones autónomo.
• Escalabilidad: Los autores sugieren que tales sistemas podrían ser particularmente valiosos para ciudades con demografías en declive o jurisdicciones más pequeñas que carecen de los recursos para un análisis de políticas comparativo extenso, ofreciendo un mecanismo para aprovechar el conocimiento colectivo a través del sistema urbano.