Using Large Language Models for a standard assessment mapping for sustainable communities
作者: Luc Jonveaux
分类: cs.CY, cs.AI
发布日期: 2024-10-31 (更新: 2024-11-25)
备注: 8 pages, 2 figures
💡 一句话要点
利用大型语言模型实现可持续社区标准评估映射，提升城市规划效率
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 大型语言模型 可持续性评估 城市规划 ISO 37101 自动化评估
📋 核心要点
- 传统城市可持续性评估耗时且一致性差，阻碍了城市规划的效率和整体性。
- 利用大型语言模型，根据ISO 37101框架自动评估城市项目，实现标准化和高效分类。
- 实验结果表明，该方法能快速一致地对城市倡议进行分类，打破规划孤岛，提供整体影响视图。
📝 摘要（中文）
本文提出了一种新的城市可持续性评估方法，该方法利用大型语言模型（LLM）来简化ISO 37101框架的使用，从而自动且标准化地评估城市倡议，使其符合标准中概述的六个“可持续性目的”和十二个“问题”。该方法包括开发一个基于标准定义的自定义提示，并将其应用于两个不同的数据集：来自巴黎参与式预算的527个项目和来自PROBONO Horizon 2020项目的398项活动。结果表明，LLM在根据可持续性标准快速且一致地对不同的城市倡议进行分类方面是有效的。该方法在打破城市规划中的孤岛，提供项目影响的整体视图方面尤其有前景。本文讨论了该方法相对于传统人工评估的优势，包括显著的时间节省和改进的一致性。然而，它也指出了人类专业知识在解释结果和伦理考量方面的重要性。这项研究有望为人工智能在城市规划中的应用做出贡献，并为在不同城市环境中实施标准化可持续性框架提供了一种新颖的方法。
🔬 方法详解
问题定义：当前城市可持续性评估依赖人工，效率低、耗时长，且评估标准难以统一，不同项目之间缺乏可比性。现有方法难以提供城市规划的整体视角，容易形成信息孤岛。
核心思路：利用大型语言模型（LLM）强大的文本理解和分类能力，将ISO 37101可持续性标准转化为LLM可理解的提示（Prompt），让LLM自动对城市项目进行分类和评估。核心在于将复杂的标准转化为有效的Prompt，引导LLM做出准确判断。
技术框架：该方法主要包含以下几个阶段：1) 定义基于ISO 37101标准的自定义Prompt；2) 准备城市项目数据集（包括项目描述等文本信息）；3) 将Prompt应用于数据集，利用LLM对项目进行分类，评估其在六个“可持续性目的”和十二个“问题”上的表现；4) 对LLM的输出结果进行分析和解释，并结合人类专家知识进行验证和修正。
关键创新：该方法的核心创新在于将大型语言模型应用于城市可持续性评估领域，并设计了基于ISO 37101标准的自定义Prompt。与传统人工评估相比，该方法能够显著提高评估效率和一致性，并打破城市规划中的信息孤岛。
关键设计：Prompt的设计是关键。需要将ISO 37101标准的定义清晰地融入Prompt中，引导LLM关注项目描述中的关键信息。论文中使用了两个不同的数据集进行验证，分别是巴黎参与式预算项目和PROBONO Horizon 2020项目。具体参数设置和损失函数等细节在论文中未详细描述，属于LLM本身的技术细节。
🖼️ 关键图片
📊 实验亮点
实验结果表明，使用LLM能够快速且一致地对城市项目进行分类，显著节省了评估时间，并提高了评估结果的一致性。该方法在打破城市规划中的信息孤岛，提供项目影响的整体视图方面表现出色。具体性能数据和提升幅度在摘要中未明确给出，需要在论文正文中查找。
🎯 应用场景
该研究成果可应用于城市规划、政策制定、项目评估等领域。城市规划者可以利用该方法快速评估不同项目的可持续性影响，从而做出更明智的决策。政府部门可以利用该方法监测城市可持续发展目标的实现情况。未来，该方法可以扩展到其他可持续性评估框架，并与其他城市数据结合，实现更全面的城市可持续性管理。
📄 摘要（原文）
This paper presents a new approach to urban sustainability assessment through the use of Large Language Models (LLMs) to streamline the use of the ISO 37101 framework to automate and standardise the assessment of urban initiatives against the six "sustainability purposes" and twelve "issues" outlined in the standard. The methodology includes the development of a custom prompt based on the standard definitions and its application to two different datasets: 527 projects from the Paris Participatory Budget and 398 activities from the PROBONO Horizon 2020 project. The results show the effectiveness of LLMs in quickly and consistently categorising different urban initiatives according to sustainability criteria. The approach is particularly promising when it comes to breaking down silos in urban planning by providing a holistic view of the impact of projects. The paper discusses the advantages of this method over traditional human-led assessments, including significant time savings and improved consistency. However, it also points out the importance of human expertise in interpreting results and ethical considerations. This study hopefully can contribute to the growing body of work on AI applications in urban planning and provides a novel method for operationalising standardised sustainability frameworks in different urban contexts.