Mapping and Comparing Climate Equity Policy Practices Using RAG LLM-Based Semantic Analysis and Recommendation Systems
Deze studie maakt gebruik van een op LangChain gebaseerd RAG LLM-framework om Amerikaanse klimaatgelijkheidsplannen en vacatures te analyseren, waarbij wordt onthuld dat hoewel de rollen van planners traditioneel blijven, het ontwikkelde aanbevelingssysteem effectief cross-city beleidsvergelijking mogelijk maakt om geografische patronen in de adoptie van klimaatactie te identificeren.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je de wereld van stadsplanning voor als een enorme, bruisende bibliotheek waar elke stad haar eigen regelboek heeft geschreven over hoe men moet leven, bouwen en groeien. Decennialang werden deze regelboeken door mensen geschreven, waarbij de focus vaak lag op het eerlijk maken van zaken voor iedereen en het voorkomen dat de planeet te warm wordt. Maar nu is er een nieuw soort bibliothecaris gearriveerd: Kunstmatige Intelligentie, specifiek "Large Language Models" (LLM's). Zie deze AI-systemen als supersnelle, superlezers die in een seconde duizenden boeken kunnen verslinden en ze direct kunnen samenvatten. Er is echter een addertje onder het gras: als je een superlezer simpelweg een vraag stelt, kan hij soms feiten verzinnen of "hallucinaties" produceren die goed klinken, maar niet waar zijn. Om dit op te lossen, gebruiken wetenschappers een truc genaamd "Retrieval-Augmented Generation" (RAG). Stel je RAG voor als een vangnet: voordat de AI antwoord geeft, wordt hij gedwongen om de exacte pagina's in de bibliotheekboeken op te zoeken om de echte feiten te vinden, en dan schrijft hij zijn antwoord op basis van alleen wat hij daar heeft gevonden. Dit artikel stelt een grote vraag: kan deze AI-bibliothecaris menselijke planners helpen om de regelboeken van verschillende steden te vergelijken om te zien wie het geweldig doet en wie een stap mist, zonder de menselijke planners zelf te vervangen?
De auteurs van deze studie besloten deze AI-bibliothecaris aan het werk te zetten op een zeer specifieke set boeken: "Klimaat-rechtvaardigheidsplannen" (Climate Equity Plans) van steden in de Verenigde Staten. Dit zijn de officiële documenten waarin steden beloven de klimaatverandering te bestrijden terwijl ze ervoor zorgen dat arme en gemarginaliseerde gemeenschappen niet worden achtergelaten. De onderzoekers verzamelden 192 van deze plannen van steden met meer dan 100.000 inwoners. Ze keken ook naar bijna 70.000 vacatures voor planners om te zien welke vaardigheden mensen daadwerkelijk nodig hebben in dit nieuwe AI-tijdperk.
Eerst gebruikte het team de AI om de vacatures te scannen. Ze ontdekten dat, hoewel AI overal is, de banen voor menselijke planners niet veel zijn veranderd. Planners worden nog steeds verwacht de "lijm" te zijn die gemeenschappen bij elkaar houdt, met een focus op communicatie, huisvesting en transport. De AI verving de noodzaak voor mensen om met mensen te praten niet; in plaats daarvan lijkt het erop dat planners meer "hybride" experts worden die moeten weten hoe ze datatools gebruiken, terwijl ze nog steeds het gezicht van de gemeenschap zijn.
Vervolgens gebruikten de onderzoekers hun AI-bibliothecaris om door de 192 klimaatplannen te lezen. Ze scanden niet alleen de titels; ze gebruikten de RAG-methode om diep in de tekst te graven, zoekend naar specifieke beloften over transport (zoals bussen en fietsen) en energie (zoals zonne-energie en elektrische auto's). De AI brak deze beloften af in drie niveaus: de grote "Policies" (de regels), de "Strategies" (de spelplannen) en de "Actions" (de daadwerkelijke to-do lijsten). Ze ontdekten dat de meeste steden erg goed zijn in het schrijven van positieve, hoopvolle zinnen over wat ze zullen doen, maar dat ze vaak de rauwe details overslaan over wat ze nog niet hebben opgelost. Bijvoorbeeld: bijna elke stad spreekt over het plaatsen van meer laadpalen voor elektrische voertuigen, maar zeer weinig steden hebben gedetailleerde plannen voor hoe ze ervoor kunnen zorgen dat arme wijken die laadpalen ook krijgen.
Het coolste deel van de studie is het "Aanbevelingssysteem" dat ze hebben gebouwd. Denk aan dit als een "Netflix voor Stadsbeleid". Als jij een planner bent in Las Vegas en je wilt weten wat andere steden doen om hun transportproblemen op te lossen, typ je "Las Vegas" in. Het systeem raadt niet zomaar wat; het kijkt naar de specifieke to-do lijsten van andere steden en vindt de steden die het meest lijken op de huidige stijl van Las Vegas. Het kan zeggen: "Hé Las Vegas, je lijkt erg op Chico en Berkeley. Die steden doen deze drie specifieke dingen (zoals het organiseren van community workshops) die jij nog niet doet." Dit helpt planners om te zien wat hun buren proberen te doen, zonder dat ze honderden saaie documenten zelf hoeven te lezen.
De studie suggereert dat dit AI-instrument een krachtige helper is, geen vervanging. Het vond dat hoewel steden vooruitgang boeken, er nog steeds hiaten zijn, vooral in de updates van het energienet en gedetailleerde actieplannen. De auteurs benadrukken dat dit systeem een "diagnostisch hulpmiddel" is — het wijst de ontbrekende stukjes van de puzzel aan, maar het is aan de menselijke planners om te beslissen hoe ze deze in elkaar zetten. Ze concluderen dat hoewel AI de boeken kan lezen en de patronen kan vinden, het menselijke hart van planning — luisteren naar gemeenschappen en het maken van ethische keuzes — de belangrijkste taak blijft van allemaal.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.