Addressing Climate Action Misperceptions with Generative AI

📄 arXiv: 2602.22564v1 📥 PDF

作者: Miriam Remshard, Yara Kyrychenko, Sander van der Linden, Matthew H. Goldberg, Anthony Leiserowitz, Elena Savoia, Jon Roozenbeek

分类: cs.HC, cs.AI

发布日期: 2026-02-26

备注: 11 pages; 2 figures; for study materials, data and supplement, see https://osf.io/9yda3/overview?view_only=dabb05c479b94444945da60096e5f490

💡 一句话要点

利用生成式AI解决气候行动认知偏差，提升环保行为意愿

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 生成式AI 气候行动 认知偏差 大型语言模型 行为改变

📋 核心要点

  1. 气候行动认知偏差阻碍了环保行为的有效实施，即使是关注气候的人也可能存在误解。
  2. 论文提出利用具备气候知识并能提供个性化回复的LLM，与用户讨论气候行动，以纠正认知偏差。
  3. 实验表明，个性化气候LLM能有效提高用户对气候行动影响的认知，并增强其采取环保行为的意愿。

📝 摘要（中文）

减缓气候变化需要行为改变。然而，即使是关注气候的人也常常对哪些行动能最大程度减少碳排放存在误解。本研究招募了1201名关注气候的人，探讨了与具备气候知识并被提示提供个性化回复的大型语言模型（LLM）讨论气候行动，是否能促进对气候行动影响的更准确认知，并提高采取可行、高影响力行为的意愿。我们将此方法与参与者进行网络搜索、与非专业LLM对话以及不进行干预进行了比较。结果表明，个性化的气候LLM是唯一能够提高对气候行动影响的认知以及采取有影响力的行为意愿的条件。虽然个性化的气候LLM在提高对气候行动影响的理解方面并未优于网络搜索，但LLM提供个性化、可操作指导的能力可能使其在激励有影响力的亲气候行为改变方面更有效。

🔬 方法详解

问题定义：该论文旨在解决气候行动领域中存在的认知偏差问题。现有方法，如传统的信息传播或网络搜索，难以有效纠正人们对不同气候行动影响的误解，从而阻碍了高影响力环保行为的推广。这些方法缺乏个性化指导和互动性，无法针对个体差异提供定制化的解决方案。

核心思路：论文的核心思路是利用大型语言模型（LLM）的强大自然语言处理能力和知识储备，构建一个具备气候专业知识并能提供个性化回复的智能助手。通过与该智能助手的互动，用户可以获得针对自身情况的气候行动建议，从而纠正认知偏差，提高采取有效环保行为的意愿。这种个性化互动的方式旨在克服传统信息传播的局限性。

技术框架：整体框架包括以下几个主要步骤：1)构建具备气候知识的LLM：通过对LLM进行微调或提示工程，使其具备气候变化、碳排放等方面的专业知识。2)设计个性化回复机制：根据用户的提问和背景信息，LLM生成定制化的回复，提供具体的行动建议和影响评估。3)实验对比：将个性化气候LLM与网络搜索、非专业LLM以及无干预组进行对比，评估其在提高气候行动认知和行为意愿方面的效果。

关键创新：该研究的关键创新在于将个性化LLM应用于气候行动领域，并验证了其在纠正认知偏差和促进环保行为方面的有效性。与传统的知识传播方式相比，个性化LLM能够提供更具针对性和互动性的指导，从而更好地满足用户的需求。此外，该研究还探索了LLM在行为改变方面的潜力。

关键设计：研究中使用的LLM的具体模型未知。个性化回复的设计可能涉及对LLM的提示工程，例如，要求LLM根据用户的地理位置、生活习惯等信息，提供定制化的气候行动建议。实验中，研究人员使用了标准化的问卷来评估参与者对气候行动影响的认知和行为意愿。具体的损失函数和网络结构等技术细节未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，与网络搜索、非专业LLM以及无干预组相比，个性化的气候LLM能够显著提高参与者对气候行动影响的认知，并增强其采取环保行为的意愿。虽然在提高认知方面，个性化气候LLM并未明显优于网络搜索，但在激励环保行为方面表现更佳，表明其在行为改变方面具有潜力。具体提升幅度未知。

🎯 应用场景

该研究成果可应用于开发智能气候助手，为个人和组织提供个性化的碳减排建议。这些助手可以集成到智能手机应用、网站或聊天机器人中，帮助用户了解不同行为的碳排放影响，并制定可行的减排计划。此外，该技术还可用于教育和宣传活动，提高公众对气候变化的认知和行动意愿。

📄 摘要（原文）

Mitigating climate change requires behaviour change. However, even climate-concerned individuals often hold misperceptions about which actions most reduce carbon emissions. We recruited 1201 climate-concerned individuals to examine whether discussing climate actions with a large language model (LLM) equipped with climate knowledge and prompted to provide personalised responses would foster more accurate perceptions of the impacts of climate actions and increase willingness to adopt feasible, high-impact behaviours. We compared this to having participants run a web search, have a conversation with an unspecialised LLM, and no intervention. The personalised climate LLM was the only condition that led to increased knowledge about the impacts of climate actions and greater intentions to adopt impactful behaviours. While the personalised climate LLM did not outperform a web search in improving understanding of climate action impacts, the ability of LLMs to deliver personalised, actionable guidance may make them more effective at motivating impactful pro-climate behaviour change.