Invisible Walls in Cities: Designing LLM Agent to Predict Urban Segregation Experience with Social Media Content

Technische Samenvatting: Onzichtbare muren in steden: Het ontwerpen van een LLM-agent om de ervaring van stedelijke segregatie te voorspellen met social media-content

Probleemformulering
Het artikel behandelt de uitdaging van het voorspellen van "ervaren segregatie" — de dynamische barrières die individuen in hun dagelijkse stedelijke bewegingen tegenkomen — met behulp van ongestructureerde social media-data. Terwijl historisch onderzoek naar segregatie zich richtte op residentiële patronen, presenteren moderne stedelijke ruimtes "onzichtbare muren" die worden gedreven door culturele, sociale en economische factoren die interactie tussen demografische groepen beperken. Het kernprobleem wordt geformuleerd als een Point of Interest (POI) segregatievoorspellingsopdracht. Gegeven een set POI's, de bijbehorende social media-content (recensies, afbeeldingen, attributen) en lokale demografische gegevens, is het doel om een functie te leren die de discrepantie tussen de voorspelde segregatie-index en de grondwaarheid minimaliseert. De grondwaarheid wordt gekwantificeerd als de afwijking tussen de raciale samenstelling van de bezoekers van een POI en de raciale samenstelling van de omliggende residentiële populatie.

Methodologie
De auteurs stellen een tweefasig framework voor: een Reflective LLM Coder voor kwalitatieve inzichtenextractie en een REasoning-and-EMbedding (RE'EM) framework voor kwantitatieve voorspelling.

1. Reflective LLM Coder:
   Om de ambiguïteit en het volume van ruwe social media-data te overwinnen, ontwerpen de auteurs een agentic workflow om een gestructureerd codeboek te genereren.

   • Reflective Attributor: Deze module maakt gebruik van een tweestaps Chain-of-Thought (CoT) proces. Eerst voert het multi-source insight generation uit door POI-namen, recensies en afbeeldingen te analyseren om factoren te identificeren die de aantrekkingskracht op specifieke raciale/etnische groepen beïnvloeden. Ten tweede past het reflection-guided insight refinement toe, waarbij de LLM zijn initiële inzichten vergelijkt met de werkelijke bezoekersdemografie (de "verwachtingskloof"). Deze abductieve redeneerstap filtert inzichten om alleen die te behouden die consistent zijn met de geobserveerde bezoekpatronen.
   • Code Summarizer: Deze module aggregeert de verfijnde inzichten tot een gestructureerd, orthogonaal codeboek via vier stappen: extractie, semantische combinatie, kwaliteitsgebaseerde verwijdering en uitlegverfijning. Het resulterende codeboek identificeert negen sleuteldimensies (bijv. Culturele Resonantie, Prijsgevoeligheid, Toegankelijkheid, Gemeenschapsbetrokkenheid) die fungeren als "stenen" die de onzichtbare muren vormen.

2. REasoning-and-EMbedding (RE'EM) Framework:
   Dit framework integreert drie complementaire kanalen om segregatiescores te voorspellen:

   • Reasoning Channel: Geleid door het gegenereerde codeboek, simuleert een LLM het perspectief van vijf verschillende raciale/etnische groepen om elke POI op de negen codeboekdimensies te beoordelen (schaal 0–10). Deze gestructureerde beoordelingen worden via een Reasoning Adapter (MLP) gevectoriseerd.
   • Embedding Channel: Een gefinetuned tekst-embeddingmodel (GTE-base) verwerkt de ruwe recensiecorpus om holistische semantische representaties te extraheren, die vervolgens door een Embedding Adapter worden doorgegeven.
   • Population Channel: Dit kanaal incorporeert statische demografische context door het gewogen gemiddelde van de raciale samenstelling van Census Block Groups binnen een straal van 0,5 km rond de POI te berekenen, getransformeerd via een Population Adapter.
   • Neighbor-Aware Multi-View Predictor: De uiteindelijke voorspeller maakt gebruik van Graph Attention Networks (GAT) om kenmerken van de drie kanalen te aggregeren. Het identificeert de dichtstbijzijnde buren in drie verschillende ruimtes (redeneer-gelijkenis, embedding-gelijkenis en geografische nabijheid) en fuseert de eigen representaties van de POI met de geaggregeerde representaties van de buren om de uiteindelijke segregatievoorspelling te produceren.

Belangrijkste Bijdragen

• Nieuwe Toepassing: Dit is het eerste werk dat social media-content gebruikt voor het voorspellen van segregatie op POI-niveau.
• Reflective LLM Coder: De auteurs ontwerpen een nieuw agent dat de mijnbouw van online recensies automatiseert, waarbij gebruik wordt gemaakt van real-world feedback om inzichten te verfijnen en een generaliseerbaar codeboek te produceren voor segregatiefactoren.
• RE'EM Framework: Een hybride architectuur die de redeneerkracht van LLM's (via gestructureerde beoordelingen) combineert met de representatieve kracht van embeddingmodellen en demografische gegevens, gefuseerd via een neighbor-aware mechanisme.
• Uitgebreide Validatie: De aanpak wordt gevalideerd door zowel kwantitatieve experimenten op echte data als een kwalitatieve gebruikersstudie.

Resultaten

• Kwantitatieve Prestaties: Experimenten in vier Amerikaanse steden (Philadelphia, Tucson, Tampa, New Orleans) laten zien dat het RE'EM-framework significant presteert ten opzichte van baseline-modellen die enkel vertrouwen op lokale raciale samenstelling. De voorgestelde methode bereikt een toename van 22,79% in $R^2$ en een reductie van 9,33% in Mean Squared Error (MSE). Het afgeleide codeboek bleek generaliseerbaar over verschillende steden en verbeterde de voorspellingsnauwkeurigheid consistent.
• Gebruikersstudie: In een studie met 75 onderzoekers toonden deelnemers die werden voorzien van door het codeboek geleide, door LLM gegenereerde samenvattingen, een significant verbeterde voorspellingsnauwkeurigheid vergeleken met diegenen die vanilla LLM-outputs gebruikten. Bovendien vond 80% van de deelnemers de codeboek-geleide samenvattingen prettiger, waarbij zij aangaven dat deze een grotere cognitieve winst boden bij het waarnemen van de sociale inclusiviteit van POI's.

Betekenis
Het artikel beweert een belangrijke stap te zetten naar het begrijpen van impliciete sociale barrières en ongelijkheden in stedelijke omgevingen. Door het potentieel van Webtechnologie en Large Language Models aan te tonen om bruikbare inzichten te extraheren uit ongestructureerde data, biedt de studie een pad voor het bevorderen van sociale inclusiviteit. Het werk suggereert dat geautomatiseerde analyse van digitale sporen individuen kan informeren over potentieel ongemakkelijke situaties en beleidsmakers kan ondersteunen bij het bevorderen van meer rechtvaardige steden, waarbij men verder gaat dan retrospectieve metingen naar voorspellende capaciteiten.