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

Resumo Técnico: Paredes Invisíveis nas Cidades: Projetando um Agente de LLM para Prever a Experiência de Segregação Urbana com Conteúdo de Redes Sociais

Formulação do Problema
O artigo aborda o desafio de prever a "segregação experienciada" — as barreiras dinâmicas que os indivíduos enfrentam em seus movimentos urbanos diários — utilizando dados não estruturados de redes sociais. Enquanto a pesquisa histórica sobre segregação focou em padrões residenciais, os espaços urbanos modernos apresentam "paredes invisíveis" impulsionadas por fatores culturais, sociais e econômicos que limitam a interação entre grupos demográficos. O problema central é formulado como uma tarefa de previsão de segregação de Pontos de Interesse (POI). Dado um conjunto de POIs, seu conteúdo associado em redes sociais (avaliações, imagens, atributos) e dados demográficos locais, o objetivo é aprender uma função que minimize a discrepância entre o índice de segregação previsto e a verdade fundamental (ground truth). A verdade fundamental é quantificada como o desvio entre a composição racial dos visitantes de um POI e a composição racial da população residencial circundante.

Metodologia
Os autores propõem um framework de dois estágios: um Codificador de LLM Reflexivo para extração de insights qualitativos e um framework de Raciocínio e Incorporação (RE'EM - REasoning-and-EMbedding) para previsão quantitativa.

1. Codificador de LLM Reflexivo:
   Para superar a ambiguidade e o volume de dados brutos de redes sociais, os autores projetam um fluxo de trabalho de agente para gerar um livro de códigos (codebook) estruturado.

• Atribuidor Reflexivo: Este módulo emprega um processo de Cadeia de Pensamento (CoT) de duas etapas. Primeiro, realiza a geração de insights multifonte ao analisar nomes de POIs, avaliações e imagens para identificar fatores que influenciam o apelo a grupos raciais/étnicos específicos. Segundo, aplica o refinamento de insights guiado por reflexão, onde o LLM compara seus insights iniciais com dados demográficos de visitantes do mundo real (o "hiato de expectativa"). Este passo de raciocínio abdutivo filtra os insights para reter apenas aqueles consistentes com os padrões de visitação observados.
• Sumarizador de Código: Este módulo agrega os insights refinados em um livro de códigos estruturado e ortogonal através de quatro etapas: extração, combinação semântica, remoção baseada em qualidade e refinamento de explicação. O livro de códigos resultante identifica nove dimensões principais (ex: Ressonância Cultural, Sensibilidade de Preço, Acessibilidade, Engajamento Comunitário) que atuam como "tijolos" formando paredes invisíveis.

2. Framework de Raciocínio e Incorporação (RE'EM):
   Este framework integra três canais complementares para prever pontuações de segregação:

• Canal de Raciocínio: Guiado pelo livro de códigos gerado, um LLM simula a perspectiva de cinco grupos raciais/étnicos distintos para avaliar cada POI nas nove dimensões do livro de códigos (escala de 0 a 10). Essas classificações estruturadas são vetorizadas via um Adaptador de Raciocínio (MLP).
• Canal de Incorporação (Embedding): Um modelo de incorporação de texto ajustado (GTE-base) processa o corpus de avaliações brutas para extrair representações semânticas holísticas, que são então passadas por um Adaptador de Incorporação.
• Canal de População: Este canal incorpora o contexto demográfico estático ao computar a média ponderada da composição racial dos Grupos de Blocos do Censo em um raio de 0,5 km do POI, transformada via um Adaptador de População.
• Preditor Multiview Consciente de Vizinhos: O preditor final utiliza Redes de Atenção em Grafos (GAT) para agregar características dos três canais. Ele identifica vizinhos próximos em três espaços distintos (similaridade de raciocínio, similaridade de incorporação e proximidade geográfica) e funde as representações do próprio POI com as representações agregadas de seus vizinhos para produzir a previsão final de segregação.

Principais Contribuições

• Aplicação Inovadora: Este é o primeiro trabalho a utilizar conteúdo de redes sociais para prever a segregação de nível de POI.
• Codificador de LLM Reflexivo: Os autores projetam um agente inovador que automatiza a mineração de avaliações online, usando feedback do mundo real para refinar insights e produzir um livro de códigos generalizável para fatores de segregação.
• Framework RE'EM: Uma arquitetura híbrida que combina as capacidades de raciocínio de LLMs (via classificações estruturadas) com o poder representacional de modelos de incorporação e dados demográficos, fundidos através de um mecanismo consciente de vizinhança.
• Validação Abrangente: A abordagem é validada tanto por meio de experimentos quantitativos em dados do mundo real quanto por um estudo de usuário qualitativo.

Resultos

• Desempenho Quantitativo: Experimentos em quatro cidades dos EUA (Filadélfia, Tucson, Tampa, Nova Orleans) demonstram que o framework RE'EM supera significativamente os modelos de linha de base que dependem apenas da composição racial local. O método proposto alcança um aumento de 22,79% no $R^2$ e uma redução de 9,33% no Erro Quadrático Médio (MSE). O livro de códigos derivado mostrou-se generalizável para diferentes cidades, melhorando consistentemente a precisão da previsão.
• Estudo de Usuário: Em um estudo com 75 pesquisadores, os participantes que receberam resumos gerados por LLM e guiados pelo livro de códigos mostraram uma melhora significativa na precisão da previsão em comparação com aqueles que usaram saídas de LLM comuns. Além disso, 80% dos participantes preferiram os resumos guiados pelo livro de códigos, citando que eles proporcionavam maior ganho cognitivo na percepção da inclusão social dos POIs.

Significância
O artigo afirma marcar um passo importante para a compreensão de barreiras sociais implícitas e desigualdades em ambientes urbanos. Ao demonstrar o potencial da tecnologia Web e de Modelos de Linguagem de Grande Escala (LLMs) para extrair insights operacionais de dados não estruturados, o estudo oferece um caminho para promover a inclusão social. O trabalho sugere que a análise automatizada de rastros digitais pode informar indivíduos sobre situações potencialmente desconfortáveis e apoiar formuladores de políticas no fomento de cidades mais equitativas, indo além das medições retrospectivas para capacidades preditivas.