Addressing Climate Action Misperceptions with Generative AI

📄 arXiv: 2602.22564 📥 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: 2026-02-28

💡 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: 气候行动 认知偏差 大型语言模型 生成式AI 行为改变

📋 核心要点

  1. 气候变化需要行为改变，但公众对有效减排行动存在认知偏差，阻碍了实际行动。
  2. 论文提出使用具备气候知识并能个性化回复的LLM，引导用户更准确地认知气候行动的影响。
  3. 实验表明，个性化气候LLM能有效提升用户对气候行动的认知，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最能减少碳排放存在误解。我们招募了1201名关注气候的人，研究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。我们将其与参与者进行网络搜索、与非专业LLM对话以及无干预进行了比较。个性化的气候LLM是唯一能提高对气候行动影响的知识以及采取有影响力行为的意愿的条件。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：该论文旨在解决公众对气候行动效果的认知偏差问题。现有方法，如传统的信息传播或网络搜索，难以提供个性化和可操作的指导，导致人们难以准确评估不同行动的减排效果，从而影响其采取有效环保行为的意愿。

核心思路：论文的核心思路是利用大型语言模型（LLM）的自然语言交互能力和知识储备，构建一个具备气候知识并能提供个性化建议的智能助手。通过与该助手进行对话，用户可以获得针对自身情况的、关于不同气候行动效果的准确信息，从而纠正认知偏差，并提高采取有效行动的意愿。

技术框架：整体框架包括以下几个阶段：1) 招募关注气候的参与者；2) 将参与者随机分配到四个组：个性化气候LLM组、网络搜索组、非专业LLM组和无干预组；3) 让参与者与相应的干预方式互动；4) 评估参与者对气候行动影响的认知水平和采取环保行为的意愿。个性化气候LLM通过提示工程（Prompt Engineering）注入气候知识，并被要求提供个性化回复。

关键创新：该研究的关键创新在于将大型语言模型应用于气候行动认知偏差的纠正，并探索了其在激励环保行为方面的潜力。与传统的知识传播方式相比，LLM能够提供个性化的、互动式的学习体验，从而更有效地提高用户的认知水平和行动意愿。此外，该研究还对比了不同干预方式的效果，验证了个性化气候LLM的优势。

关键设计：个性化气候LLM的关键设计在于其提示工程。研究人员设计了特定的提示，引导LLM提供准确的、个性化的气候行动建议。此外，研究还采用了标准化的问卷调查，用于评估参与者对气候行动影响的认知水平和采取环保行为的意愿。具体参数设置和网络结构未在论文中详细描述。

🖼️ 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和无干预相比，个性化的气候LLM能够显著提高参与者对气候行动影响的知识水平，并增强其采取环保行为的意愿。虽然在提高理解方面未优于网络搜索，但LLM的个性化指导能力在激励行为改变方面更具潜力。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，为公众提供个性化的环保建议，提升气候行动的参与度和有效性。此类助手可集成到各种平台，如社交媒体、搜索引擎和智能家居设备，从而更广泛地触达用户。此外，该研究方法也可推广到其他领域，用于纠正公众对健康、教育等问题的认知偏差。

📄 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.