Mapping and Comparing Climate Equity Policy Practices Using RAG LLM-Based Semantic Analysis and Recommendation Systems
本研究利用基于 LangChain 的 RAG LLM 框架来分析美国气候公平计划与职位发布，揭示了尽管规划者的角色仍保持传统，但所开发的推荐系统有效地实现了跨城市政策比较，从而识别出气候行动采用过程中的地理模式。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，城市规划的世界就像一座巨大且繁忙的图书馆，每一座城市都为自己如何生活、建设和成长编写了专属的规则手册。几十年来，这些规则手册一直由人类编写，通常侧重于如何让每个人都获得公平，以及如何防止地球变得过热。但现在，一种新型的图书管理员来到了这里：人工智能，特别是“大语言模型”（LLMs）。把这些人工智能系统想象成超级快速、超级博学的阅读者，它们可以在一秒钟内吞噬数千本书籍并立即进行总结。然而，这里有一个陷阱：如果你只是向这位超级阅读者提问，它有时可能会编造事实，或者产生听起来很动听但并不真实的“幻觉”答案。为了解决这个问题，科学家们使用了一个被称为“检索增强生成”（RAG）的小技巧。把 RAG 想象成一个安全网：在人工智能回答问题之前，它被强制要求去查阅图书馆书籍中的确切页面以寻找真实的事实，然后它仅根据它所找到的内容来撰写答案。这篇论文提出了一个重大问题：这种人工智能图书管理员能否帮助人类规划师对比不同城市的规则手册，以观察谁做得出色，以及谁遗漏了某个步骤，而不仅仅是取代人类规划师本身？
本研究的作者决定让这位人工智能图书管理员处理一套非常特定的书籍：“气候公平计划”（Climate Equity Plans），这些计划来自全美各地的城市。这些是城市官方的文件，城市通过这些文件承诺在应对气候变化的同时，确保贫困和边缘化社区不会被遗忘。研究人员收集了来自人口超过 10 万个城市的 192 份此类计划。他们还查看了近 7 万份规划师的职位发布信息，以了解在这个人工智能时代，人类实际需要哪些技能。
首先，团队利用人工智能扫描了这些职位发布信息。他们发现，尽管人工智能无处不在，但人类规划师的工作内容并没有发生太大变化。规划师仍被期望成为将社区凝聚在一起的“胶水”，专注于沟通、住房和交通。人工智能并没有取代人类与人沟通的需求；相反，它似乎让规划师正变得像“混合型”专家，既需要懂得如何使用数据工具，同时仍要作为社区的代表出现在公众面前。
接下来，研究人员利用这位人工智能图书管理员阅读了这 192 份气候计划。他们不仅是浏览标题，而是使用了 RAG 方法深入挖掘文本，寻找关于交通（如公交车和自行车）和能源（如太阳能和电动汽车）的具体承诺。人工智能将这些承诺分解为三个层面：宏观的“政策”（规则）、“策略”（行动方案）以及“行动”（具体的待办事项清单）。他们发现，大多数城市都非常擅长撰写关于他们“将要”做什么的正向、充满希望的句子，但它们往往会跳过那些尚未解决的棘手细节。例如，几乎每个城市都会谈论安装更多的电动汽车充电桩，但很少有城市有详细计划来确保贫困社区也能获得这些充电设施。
这项研究最酷的部分是他们构建的“推荐系统”。把它想象成一个“城市政策版的 Netflix”。如果你是拉斯维加斯的规划师，想知道其他城市在解决交通问题方面正在做些什么，你输入“拉斯维加斯”。该系统不会仅仅靠猜测；它会查看其他城市的具体待办事项清单，并找到与拉斯维加斯当前风格最相似的那些。它可能会说：“嘿，拉斯维加斯，你和奇科以及伯克利非常相似。那些城市正在做这三件具体的事情（比如开展社区工作坊），而你还没有做。”这有助于规划师在无需亲自阅读数百份枯燥文档的情况下，了解他们的邻居们正在尝试什么。
研究表明，这个人工智能工具是一个强大的助手，而非替代品。研究发现，虽然城市正在取得进展，但仍然存在差距，特别是在能源网更新和详细行动计划方面。作者谨慎地指出，这个系统是一个“诊断工具”——它指出了拼图中缺失的部分，但由人类规划师来决定如何将这些碎片拼凑在一起。他们得出结论，虽然人工智能可以阅读书籍并发现模式，但规划工作的核心——倾听社区的声音并做出伦理选择——仍然是最重要的工作。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。