Potential of large language model-powered nudges for promoting daily water and energy conservation
作者: Zonghan Li, Song Tong, Yi Liu, Kaiping Peng, Chunyan Wang
分类: cs.CY, cs.AI
发布日期: 2025-03-14
💡 一句话要点
利用大语言模型赋能的“助推”手段，促进日常节水节能行为
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 大语言模型 行为干预 节水节能 个性化推荐 助推理论
📋 核心要点
- 传统“助推”方法在鼓励节约行为方面受限于缺乏针对性和可操作性的内容。
- 利用大语言模型（LLM）生成个性化的节约建议，以增强“助推”效果，提升用户节约意愿。
- 实验表明，LLM赋能的助推使节约意愿最多提高了18.0%，优于传统助推方法。
📝 摘要（中文）
日益严重的水和能源短缺问题，使得培养个人节约行为变得尤为紧迫。虽然基于使用情况反馈的“助推”概念在鼓励节约行为方面显示出潜力，但其有效性往往受到缺乏有针对性和可操作内容的影响。本研究探讨了使用大型语言模型（LLM）提供定制化节约建议对节约意愿及其原理的影响。通过对1515名大学参与者进行的调查实验，我们比较了三种虚拟助推场景：无助推、使用统计数据的传统助推，以及使用统计数据和个性化节约建议的LLM赋能助推。统计分析和因果森林建模的结果表明，助推使86.9%-98.0%的参与者的节约意愿有所提高。LLM赋能的助推使节约意愿最多提高了18.0%，比传统助推高出88.6%。此外，结构方程模型结果表明，接触LLM赋能的助推可以增强自我效能和结果预期，同时减少对社会规范的依赖，从而提高节约的内在动机。这些发现突出了LLM在促进个人节水节能方面的变革潜力，代表了可持续行为干预和资源管理设计的新前沿。
🔬 方法详解
问题定义：论文旨在解决如何更有效地提升个人在日常生活中节约用水用电的意愿和行为。现有方法，如传统的使用统计数据反馈（“助推”），往往缺乏个性化和可操作性的建议，难以充分激发用户的内在节约动机。因此，痛点在于如何提供更具针对性的信息，克服传统“助推”的局限性。
核心思路：论文的核心思路是利用大型语言模型（LLM）的强大生成能力，根据用户的使用情况，生成个性化的节约建议。这种方法旨在通过提供更相关、更易于理解和执行的建议，增强用户的自我效能感和对节约行为结果的积极预期，从而提高其内在的节约动机。
技术框架：整体框架包含三个主要场景：(1) 无助推：作为对照组，不提供任何节约建议。(2) 传统助推：提供用户的使用统计数据，例如用水量或用电量。(3) LLM赋能助推：除了使用统计数据外，还利用LLM生成个性化的节约建议。实验通过调查问卷收集参与者的节约意愿数据，并使用统计分析、因果森林建模和结构方程模型等方法评估不同助推方式的效果。
关键创新：最重要的技术创新点在于将大型语言模型（LLM）应用于行为干预设计，特别是用于生成个性化的节约建议。与传统的静态或通用的节约建议相比，LLM可以根据用户的使用习惯和偏好，生成更具针对性和可操作性的建议，从而更有效地激发用户的内在节约动机。
关键设计：论文的关键设计包括：(1) 使用了三种不同的助推场景进行对比实验，以评估LLM赋能助推的效果。(2) 利用结构方程模型分析了LLM赋能助推对用户自我效能、结果预期和社会规范依赖的影响，从而揭示了其内在的作用机制。(3) 使用因果森林建模来识别不同用户群体对不同助推方式的响应差异。具体的LLM提示工程和模型选择细节未知。
🖼️ 关键图片
📊 实验亮点
实验结果表明，LLM赋能的助推显著提高了参与者的节约意愿，最高提升幅度达到18.0%，比传统助推高出88.6%。结构方程模型分析表明，LLM赋能的助推通过增强自我效能和结果预期，同时减少对社会规范的依赖，从而提高了用户的内在节约动机。这些结果验证了LLM在行为干预设计中的有效性。
🎯 应用场景
该研究成果可应用于智能家居系统、公共事业服务平台和企业能源管理系统等领域，通过提供个性化的节约建议，帮助用户更有效地节约用水用电。该方法具有推广潜力，有助于缓解资源短缺问题，促进可持续发展。未来，可以将LLM赋能的助推扩展到其他可持续行为领域，如垃圾分类、绿色出行等。
📄 摘要（原文）
The increasing amount of pressure related to water and energy shortages has increased the urgency of cultivating individual conservation behaviors. While the concept of nudging, i.e., providing usage-based feedback, has shown promise in encouraging conservation behaviors, its efficacy is often constrained by the lack of targeted and actionable content. This study investigates the impact of the use of large language models (LLMs) to provide tailored conservation suggestions for conservation intentions and their rationale. Through a survey experiment with 1,515 university participants, we compare three virtual nudging scenarios: no nudging, traditional nudging with usage statistics, and LLM-powered nudging with usage statistics and personalized conservation suggestions. The results of statistical analyses and causal forest modeling reveal that nudging led to an increase in conservation intentions among 86.9%-98.0% of the participants. LLM-powered nudging achieved a maximum increase of 18.0% in conservation intentions, surpassing traditional nudging by 88.6%. Furthermore, structural equation modeling results reveal that exposure to LLM-powered nudges enhances self-efficacy and outcome expectations while diminishing dependence on social norms, thereby increasing intrinsic motivation to conserve. These findings highlight the transformative potential of LLMs in promoting individual water and energy conservation, representing a new frontier in the design of sustainable behavioral interventions and resource management.