技术摘要：一种面向行动导向型灾害韧性的生成式人工智能驱动可靠性层

1. 问题陈述

传统的预警系统（EWS）历来根据其快速、广泛传播警报的能力进行评估。然而，数十年的证据表明，仅靠传播并不能保证采取保护性行为。在警报传递与执行保护行动之间存在一个关键的瓶颈，这导致了可预防的损失和不平等现象。现有的系统往往无法提供个性化、情境化且值得信赖的指导，特别是对于脆弱人群（如老年人、移民和残障人士）。此外，当前的风险指数通常是静态的，缺乏明确的不确定性传播，且未能整合行为信号；同时，大语言模型（LLM）尚未在灾害韧性领域得到系统应用，且缺乏必要的公平性和问责制保障。

2. 方法论：Climate RADAR

本文介绍了 Climate RADAR（风险感知、动态且具备行动建议的系统），这是一个生成式人工智能驱动的可靠性层，旨在将灾害通信的范式从“警报传递”重构为“行动执行”。该系统架构由六个协同组件组成：

2.1 数据摄取与预处理

系统摄取多源流数据，包括气象数据、移动性/暴露度代理指标、脆弱性指数和社会行为信号。流水线执行去重、时间对齐、空间协调（geohash/行政区划多边形）以及隐私保护转换（令牌化、k-匿名化）。数据质量监控器追踪完整性和漂移，并在发生违规时触发人工干预（HITL）审查。

2.2 带有不确定性传播的贝叶斯风险建模

针对区域 $i$ 在时间 $t$ 的动态综合风险指数 ($R_{i,t}$) 被形式化为危害 ($H$)、暴露度 ($E$)、脆弱性 ($V$) 和社会行为信号 ($S$) 的加权和：
$$R_{i,t} = \alpha \cdot H_{i,t} + \beta \cdot E_{i,t} + \gamma \cdot V_{i,t} + \delta \cdot S_{i,t}$$
权重向量使用贝叶斯层次框架进行估计，该框架采用弱信息层次先验和 LKJ 协方差结构。这种方法实现了：

• 通过后验均值和 95% 置信区间进行显式的不确定性传播。
• 使用 Brier 分数和预期校准误差（ECE）进行可靠性评估。
• 通过 SHAP 和 Sobol 指数分解实现可解释性。
• 将决策阈值映射到非对称效用函数，由于涉及生命安全考虑，该函数对假阴性（漏报）的惩罚更为严厉。

2.3 带护栏的生成式人工智能推理

领域适配的大语言模型（LLM）为不同利益相关者（公民、志愿者和市政工作人员）生成特定建议。为了减轻幻觉、政策违规和偏差，推理流水线采用了多层护栏架构：

1. 政策约束过滤： 集成允许/拒绝列表和特定管辖区的规则。
2. 归因与不确定性标记： 为建议添加数据来源溯源和认识论不确定性标注。
3. 跨模态一致性检查： 确保 LLM 输出与综合风险指数保持一致。
4. 人工干预（HITL）升级： 当置信度或政策合规性低于运行阈值时，触发人工审查和审计日志记录。

2.4 编排与安全预算

建议被转化为具体行动（例如：路径规划、避难所通知），并受显式的安全预算约束。这些预算包括：

• 消息爆炸半径限制： 限制初始推送通知仅覆盖受威胁人口的一定比例。
• 回滚窗口： 如果后验风险降至“不造成伤害”阈值以下，则自动撤回消息。
• 脆弱群体节奏控制： 交错发送警报以防止疲劳。
• 操作员审批钩子： 对于高影响行动（如全市范围的警报器），需要人工确认。

2.5 治理与公平性

系统实施了公平性感知优化，包括针对特定子群体的校准、受控术语库，以及对子群体 ECE 和机会平等差异的持续监测。所有决策都通过证据包（时间戳、模型版本、数据源）进行版本管理，以确保可审计性和符合高风险 AI 法规（如《欧盟 AI 法案》）的要求。

3. 核心贡献

本文提出了三个主要贡献：

1. 综合风险指数的形式化： 一个动态指数 ($R_{i,t}$)，它融合了多源信号，并利用贝叶斯层次建模实现了显式的不确定性传播。
2. 嵌入护栏的 LLM 架构： 一个将安全约束、不确定性标记和人工干预（HITL）升级政策嵌入生成式 AI 的框架，以提供安全、个性化且多语言的指导。
3. 多方法评估： 一种综合评估方法，结合了模拟、受控用户研究 ($n=52$) 以及市政规模的试点测试，证明了在行动执行、延迟和信任度方面的改进。

4. 实验结果

评估将 Climate RADAR 与基准仪表盘工作流及系统的消融版本进行了对比。主要发现包括：

• 行动执行率 (AER)： 从 41.9%（基准）提高到 79.4%（提升了 37.5 个百分点）。
• 响应延迟： 从 20.3 分钟 缩短至 11.7 分钟（减少了 8.6 分钟）。
• 认知负荷： NASA-TLX 分数从 58.7 降至 41.2，表明心理需求降低。
• 可用性与信任： 系统可用性量表（SUS）提高了 13.2 分，信任评分（Likert 1-5）从 3.38 增加到 4.41。
• 公平性： 子群体差距（机会平等和人口统计学平价）显著缩小。例如，通过公平性感知干预（术语简化和分步路径规划），普通人群与脆弱人群（老年人、移民）之间的最大差距从 0.15 缩小至 0.07。
• 校准度： 系统展示了预测风险与观测结果之间更好的对齐，将预期校准误差（ECE）从 0.14 降至 0.06。

5. 重要性与主张

本文声称 Climate RADAR 通过将评估标准从警报传播转向可衡量的保护行动执行，推进了灾害韧性的范式。其重要性在于：

• 弥合“警报-行动”差距： 通过将预测分析与行为科学及负责任的人工智能相结合，该系统解决了警报无法转化为行为的运作瓶颈。
• 公平的韧性： 该框架专门针对并减少了脆弱群体的障碍，符合《仙台框架》关于包容性、以人为本方法的呼吁。
• 合规性架构： 设计显式地应对了《欧盟 AI 法案》对“高风险 AI”的要求，提供了一个具有透明度、人工监督和可追溯证据包的可复现框架。
• 不确定性下的可靠性： 通过集成贝叶斯不确定性传播、安全预算和人工干预（HITL）升级机制，该系统为在假阴性后果极其严重的决策高压、时效性环境中提供了稳健的机制。

作者总结道，尽管该系统在特定场景（城市闪洪和热浪）中展示了强大的表现，但它作为一个基础框架，对于开发更及时、更公平且更具问责制的灾害响应基础设施具有重要意义。未来的工作被确定为需要向多灾种背景扩展、实施算法去偏以及开展关于人机协同动态的纵向研究。